神经网络与深度学习
第一章 绪论
- 神经网络：一种以（人工）神经元为基本单元的模型
- 深度学习：一类机器学习问题，主要解决贡献度分配问题。
一、人工智能
1. 图灵测试
- “一个人在不接触对方的情况下，通过一种特殊的方式，和对方进行一系列的问答。如果在相当长时间内，他无法根据这些问题判断对方是人还是计算机，那么就可以认为这个计算机是智能的”。
- —Alan Turing [1950]
《Computing Machinery and Intelligence》
2. 人工智能（artificial intelligence，AI）
- 就是让机器具有人类的智能。
- “计算机控制”+“智能行为”
- 人工智能这个学科的诞生有着明确的标志性事件，就是1956年的达特茅斯（Dartmouth）会议。在这次会议上，“人工智能”被提出并作为本研究领域的名称。
3. 人工智能的研究领域
- 让机器具有人类的智能
- 机器感知（计算机视觉、语音信息处理）
- 学习（模式识别、机器学习、强化学习）
- 语言（自然语言处理）
- 记忆（知识表示）
- 决策（规划、数据挖掘）
4. 发展历史
二、如何开发一个人工智能系统？
1. 专家知识（人工规则）
- 这个规则是人能够知道的，比较容易实现
- 医生看病，体温高于多少就算发烧
2. What’s the Rule?
- 很难总结规则 -> 机器学习：让计算机自动去总结规则
- 人不知道怎么做的，但是人完成这个任务很容易
3. 机器学习 ≈ 构建一个映射函数
4. 芒果机器学习 - 如果判断芒果是否甜蜜？
4.1 准备数据
- 从市场上随机选取的芒果样本（训练数据），列出每个芒果的所有特征：
- 如颜色，大小，形状，产地，品牌
- 以及芒果质量（输出变量）：
- 甜蜜，多汁，成熟度
4.2 学习
- 设计一个学习算法来学习芒果的特征与输出变量之间的相关性模型。
4.3 测试
- 下次从市场上买芒果时，可以根据芒果（测试数据）的特征，使用前面计算的模型来预测芒果的质量。
三、表示学习
1. 机器学习
- 当我们用机器学习来解决一些模式识别任务时，一般的流程包含以下几个步骤：
- 特征工程（Feature Engineering）
- 浅层学习（Shallow Learning）：不涉及特征学习，其特征主要靠人工经验或特征转换方法来抽取。
2. 语义鸿沟：人工智能的挑战之一
- 底层特征 VS 高层语义
- 人们对文本、图像的理解无法从字符串或者图像的底层特征直接获得
3. 什么是好的数据表示？
- “好的表示”是一个非常主观的概念，没有一个明确的标准。
- 但一般而言，一个好的表示具有以下几个优点：
- 应该具有很强的表示能力。
- 应该使后续的学习任务变得简单。
- 应该具有一般性，是任务或领域独立的。
- 数据表示是机器学习的核心问题。
4. 表示形式
- 局部表示
- 离散表示、符号表示
- One-Hot向量
- 分布式(distributed)表示
- 压缩、低维、稠密向量
- 用O(N)个参数表示 O(2k)区间
- k为非0参数，k<N
- k为非0参数，k<N
5. 一个生活中的例子：颜色
6. 语义表示
- 如何在计算机中表示语义？
7. 表示学习
- 如何自动从数据中学习好的表示
- 通过构建具有一定“深度”的模型，可以让模型来自动学习好的特征表示（从底层特征，到中层特征，再到高层特征），从而最终提升预测或识别的准确性。
8. 传统的特征提取
8.1 特征提取
- 线性投影（子空间）
- PCA、LDA
- 非线性嵌入
- LLE、Isomap、谱方法
- 自编码器
8.2 特征提取VS表示学习
- 特征提取：基于任务或先验对去除无用特征
- 表示学习：通过深度模型学习高层语义特征
四、深度学习
1. 表示学习与深度学习
- 一个好的表示学习策略必须具备一定的深度
- 特征重用
- 指数级的表示能力
- 抽象表示与不变性
- 抽象表示需要多步的构造
- 特征重用
2. 深度学习
- 深度学习 = 表示学习 + 决策（预测）学习
五、神经网络
1. 神经网络如何学习？
- 人脑有两种记忆：长期记忆和短期记忆。短期记忆持续时间不超过一分钟。如果一个经验重复足够的次数，此经验就可储存在长期记忆中。
- 短期记忆转化为长期记忆的过程就称为凝固作用。
- 人脑中的海马区为大脑结构凝固作用的核心区域。
2. 人工神经元
3. 人工神经网络
- 人工神经网络主要由大量的神经元以及它们之间的有向连接构成。因此考虑三方面：
- 神经元的激活规则
- 主要是指神经元输入到输出之间的映射关系，一般为非线性函数。
- 网络的拓扑结构
- 不同神经元之间的连接关系。
- 学习算法
- 通过训练数据来学习神经网络的参数。
- 神经元的激活规则
- 人工神经网络由神经元模型构成，这种由许多神经元组成的信息处理网络具有并行分布结构。
- 虽然这里将 神经网络结构大体上分为三种类型，但是大多数网络都是复合型结构，即一个神经网络中包括多种网络结构。
- 虽然这里将 神经网络结构大体上分为三种类型，但是大多数网络都是复合型结构，即一个神经网络中包括多种网络结构。
4. 神经网络
5. 如何解决贡献度分配问题？
六、神经网络发展史
- 神经网络的发展大致经过五个阶段。
1. 第一阶段：模型提出
- 在1943年，心理学家Warren McCulloch和数学家Walter Pitts和最早描述了一种理想化的人工神经网络，并构建了一种基于简单逻辑运算的计算机制。他们提出的神经网络模型称为MP模型。
- 阿兰·图灵在1948年的论文中描述了一种“B型图灵机”。(赫布型学习)
- 1951年，McCulloch和Pitts的学生Marvin Minsky建造了第一台神经网络机，称为SNARC。
- Rosenblatt [1958]最早提出可以模拟人类感知能力的神经网络模型，并称之为感知器（Perceptron），并提出了一种接近于人类学习过程（迭代、试错）的学习算法。
2. 第二阶段：冰河期
- 1969年，Marvin Minsky出版《感知器》一书，书中论断直接将神经网络打入冷宫，导致神经网络十多年的“冰河期”。他们发现了神经网络的两个关键问题：
- 基本感知器无法处理异或回路。
- 电脑没有足够的能力来处理大型神经网络所需要的很长的计算时间。
- 1974年，哈佛大学的Paul Webos发明反向传播算法，但当时未受到应有的重视。
- 1980年，Kunihiko Fukushima（福岛邦彦）提出了一种带卷积和子采样操作的多层神经网络：新知机（Neocognitron）
3. 第三阶段：反向传播算法引起的复兴
- 1983年，物理学家John Hopfield对神经网络引入能量函数的概念，并提出了用于联想记忆和优化计算的网络（称为Hopfield网络），在旅行商问题上获得当时最好结果，引起轰动。
- 1984年，Geoffrey Hinton提出一种随机化版本的Hopfield网络，即玻尔兹曼机。
- 1986年， David Rumelhart和James McClelland对于联结主义在计算机模拟神经活动中的应用提供了全面的论述，并重新发明了反向传播算法。
- 1986年，Geoffrey Hinton等人将引入反向传播算法到多层感知器
- 1989 年，LeCun等人将反向传播算法引入了卷积神经网络，并在手写体数字识别上取得了很大的成功。
4. 第四阶段：流行度降低
- 在20世纪90年代中期，统计学习理论和以支持向量机为代表的机器学习模型开始兴起。
- 相比之下，神经网络的理论基础不清晰、优化困难、可解释性差等缺点更加凸显，神经网络的研究又一次陷入低潮。
5. 第五阶段：深度学习的崛起
- 2006年，Hinton等人发现多层前馈神经网络可以先通过逐层预训练，再用反向传播算法进行精调的方式进行有效学习。
- 深度神经网络在语音识别和图像分类等任务上的巨大成功。
- 2013年，AlexNet：第一个现代深度卷积网络模型，是深度学习技术在图像分类上取得真正突破的开端。
- AlexNet不用预训练和逐层训练，首次使用了很多现代深度网络的技术
随着大规模并行计算以及GPU设备的普及，计算机的计算能力得以大幅提高。此外，可供机器学习的数据规模也越来越大。在计算能力和数据规模的支持下，计算机已经可以训练大规模的人工神经网络。
