一、什么是机器学习

人工智能是使一部机器像人一样进行感知、认知、决策、执行的人工程序或系统。其实现的一种方法是机器学习。而深度学习是机器学习的一种，也是近年来较为热门的方法。

人工智能主要有如下三个层面

计算智能	能存能算
感知智能	能听会说，能看会认
认知智能	能理解，会思考

目前研究主要在第二个层面

二、适用范围

问题尺度和规则复杂度均极大时适用机器学习，这是大体原则，还有一些其它限制举例如下

有大量数据	机器学习需要一定的数据量来进行训练
有意义的模式	问题需要在某方面可以研究或预测等
无解析解	一般用来求无解析解或解析解难以求解的问题的近似解

三、机器学习方法

如下图

 机器学习依据模型类型等可以再进行分类，这里就不再赘述

四、深度学习

下表是机器学习、神经网络和深度学习的关系

机器学习	是/否应用了神经网络	传统机器学习
		神经网络	深度学习（应用了深度神经网络）

传统机器学习vs深度学习

传统机器学习	数据+专家知识驱动的特征设计+专家选择的分类器
深度学习	数据+专家选择深度模型+机器优化深度模型

下附几张图来详细描述

  

 显然，深度学习效率要高得多

五、深度学习的局限性

1、算法输出不稳定，容易被“攻击”

2、模型复杂度高，难以被纠错和调试

3、模型层级复合程度高，参数不透明

4、端到端训练方式对数据依赖性强，模型增量性差

5、专注直观感知类问题，对开放推理问题无能为力

6、人类知识无法有效引入进行监督，机器偏见难以避免

六、神经网络概述

原理简单概括：选定带激活函数的模型，使用训练数据通过误差反向传播等方式对参数进行学                                 习、更新。下图为模型的基本表示形式及其对模型可完成的变换（以分类问题举                             例），以及误差传播方法的简单原理。

 

七、深度神经网络

一般来说，增加神经网络的层数可以有利于提高训练结果的准确性，但由于训练过程中的梯度消失问题，可能导致误差传递到某一层时数据极小从而不利于模型的训练，因此我们在一些情况下采用逐层训练的方式。逐层训练主要有以下两种方式。

1、自编码器：没有额外的监督信息，每层输入信息同时作为监督信息进行训练

2、受限玻尔兹曼机：由隐藏层得到可见层，使其与原本的可见层分布一致。

八、其它

本次学习基于pytorch框架进行，使用谷歌的colab运行，具体操作方法老师的学习材料已给出，注意较使用colab时需要翻墙，操作较为简单，不再赘述，下面给出配置好后用老师所给代码试运行的截图