目錄

1、深度學(xué)習(xí)與機(jī)器學(xué)習(xí)的區(qū)別：?

2、機(jī)器學(xué)習(xí)流程：

3、深度學(xué)習(xí)：

4、特征工程的作用：(特征工程要更重要)

5、如何提取特征：

?6、計算機(jī)視覺面臨的挑戰(zhàn)：

---

1、深度學(xué)習(xí)與機(jī)器學(xué)習(xí)的區(qū)別：?

深度學(xué)習(xí)最大的優(yōu)勢就是不用我們自己去選特征了，AI領(lǐng)域最大的難題就是怎么去提特征。但是深度學(xué)習(xí)是一個端到端的，一條龍服務(wù)，由輸入到輸出，過程不需要我們管，深度學(xué)習(xí)的優(yōu)勢就體現(xiàn)在這里，中間所有過程你不需要去管了。(把神經(jīng)網(wǎng)絡(luò)當(dāng)做一個特征提取器，特征是非常重要的)

深度學(xué)習(xí)缺點：在去建模的時候，對于分析方面的需求不是很滿足，他一般是得到一個輸出結(jié)果。

2、機(jī)器學(xué)習(xí)流程：

• （1）數(shù)據(jù)獲取
• （2）特征工程(hard)
• （3）建立模型
• （4）評估與應(yīng)用

3、深度學(xué)習(xí)：

拿到數(shù)據(jù)之后，讓這個網(wǎng)絡(luò)去學(xué)習(xí)一下什么樣的特征是比較合適的，該怎樣組合是比較合適的，這是深度學(xué)習(xí)與人工智能更接近的地方，不用人為的去選擇特征。(深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一部分也是最核心的一部分，其中最大的解決了特征工程的問題)

4、特征工程的作用：(特征工程要更重要)

1. 數(shù)據(jù)特征決定了模型的上限。
2. 預(yù)處理和特征提取是最核心的。
3. 算法與參數(shù)選擇決定了如何逼近這個上限。

5、如何提取特征：

?神經(jīng)網(wǎng)絡(luò)這個大黑盒子(雖然他是一個黑盒子，但是我們得知道他其中的每一個細(xì)節(jié)是如何去做的)，能夠自動的對數(shù)據(jù)進(jìn)行特征提取。計算機(jī)去學(xué)習(xí)什么樣的特征他覺得是最合適的。

------------------------深度學(xué)習(xí)解決的核心問題是怎么樣去提特征。--------------------

?6、計算機(jī)視覺面臨的挑戰(zhàn)：

1. 照射角度
2. 形狀改變
3. 部分遮蔽
4. 背景混入

?

總結(jié)

以上是生活随笔為你收集整理的网络模型：（0）背景的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。