[人工智能]【2021.07】datawhale组队学习李宏毅 总结

01机器学习介绍

【2021.07】datawhale组队学习李宏毅task01
这一节关于机器学习的介绍可以直接用下面这张图概括。

蓝色的方块指的是学习的场景，红色的指的是你的task，你要解决的问题，不同的task又可以使用不同的method来完成。

02 回归

【2021.07】datawhale组队学习李宏毅task02
以宝可梦cp值预测为例，分别介绍了单个特征和多个特征的模型假设，模型评价集模型优化。

step1:model

step2：评价一个模型的好坏

• 上图中的每一个点都代表一组(w, b)，也就是对应着一个function
• 该点的颜色对应loss function的结果L(w,b)，它表示该点对应的function的表现效果，颜色越红，代表loss的数值越大，这个function的表现越不好

step3:使用gradient descent进行优化

计算方法：

1.随机选取一个w；
2.计算w=w0时L对w的微分，也就是当前的斜率；
如果斜率为负，则说明该点左侧的loss值更高，需要增加w的值；
3.根据学习率移动；
如何确定移动多少步长？1.微分的大小，2.learning rate。

优化

更多的input & 正则化

03 误差

03、04、05的内容都在【2021.07】datawhale组队学习李宏毅task03
误差的主要来源有bias和variance

估测方差和偏差

偏差 v.s. 方差

• 如果模型并不能很好的适应训练集，那么存在很大的偏差
• 如果模型很好的适用训练集，但在测试集上的效果差强人意，那么存在很大的方差
  欠拟合和过拟合要用不同的方式来处理

04 训练集划分

交叉验证

将验证集分为training set（训练集）和validation set（验证集）两个部分，用训练集来构造每个model最好的function，使用验证集来选择model

N-fold cross validation

将训练集分成N份，比如分成3份。一次使用一份当作验证集，另外两份当作训练集，分别计算每次的average error，得到model1最佳，再用完整的training data重新训练参数。

05 gradient descent

这里是对之前介绍的内容进一步的扩展，主要包括一些自动调参的方法

06 深度学习

深度学习也可以分为三个步骤：

• step1：define a function，其实就是神经网络（Neural network）
• step2：模型评估（Goodness of function)
• step3：选择最优函数（Pick best function)

step1:神经网络

step2:模型评估

我们仍然用损失函数来反应模型的好坏，对于神经网络，我们采用交叉熵（cross entropy）函数来对y和$\hat{y}$的损失进行计算，接下来我们就是调整参数，让交叉熵越小越好。

step3:选择最优函数

07

【2021.07】datawhale组队学习李宏毅task05
这一部分的内容还没有补完，先空着。

08 卷积神经网络

CNN特征

• small region：比图片小的pattern可以脱离图片被识别；
• same pattern：相同的pattern可能出现在不同位置；
• subsampling：缩小图像并不会改变结果。

CNN架构