笔记|李宏毅老师机器学习课程，视频11深度学习简介

△ 是新朋友吗？记得先点数据科学与人工智能关注我哦～

《学习笔记》专栏·第3篇

文 | MLer

1009字 | 6分钟阅读

【数据科学与人工智能】开通了机器学习群，大家可以相互学习和交流。请扫描下方二维码，备注：姓名-ML，添加我为好友，诚邀你入群，一起进步。

感谢李宏毅老师的分享，他的课程帮助我更好地学习、理解和应用机器学习。李老师的网站：http://speech.ee.ntu.edu.tw/~tlkagk/index.html。这个学习笔记是根据李老师2017年秋季机器学习课程的视频和讲义做的记录和总结。因为这个视频是在Youtube上面，有些朋友可能无法观看，我把它搬运下来放在云盘上面，大家点击阅读原文，就可以直接在手机随时随地观看了。再次，感谢李老师的付出和贡献。

这门课，共有36个视频，每个视频播放的时间不一。我按着视频播放的顺序，观看，聆听和学习，并结合讲义，做学习笔记。我做学习笔记目的有三：

1 帮助自己学习和理解机器学习

2 记录机器学习的重要知识、方法、原理和思想

3 为传播机器学习做点事情

视频11：深度学习简介

一、深度学习是爆款

深度学习应用广泛，眼球十足。谷歌公司的深度学习应用，如下图：

二、深度学习的历史

深度学习的发展进程，如下图所示：

给我的几点启示：

1）简单到复杂的进阶

2）在不断解决问题中前进

3）大数据-大算法-大算力，造就今日的深度学习的繁荣

4）深度学习还有一系列问题待优化和解决

三、深度学习的框架

深度学习的框架，和机器学习一样。如下图：

第一步：定义函数集

通过神经网络结构来构建函数集

例如：Fully Connect Feedforward Network

深度学习的deep的理解？

它表示包括许多隐藏层。

例如一些经典深度学习网络架构，如下图：

矩阵运算和神经网络结构

1）具体例子

2）一般式

深度学习的分解，如下图：

上图的几点启示

1）深度学习可以自动做特征提取，完成特征工程的任务

2）深度学习对数据的输入具有更大包容性，更接近原始层

3）深度学习的网络结构设计问题

FAQ，如何设计神经网络？试错+经验+直觉

第二步：度量函数的好与坏

一个样本的损失函数

所有样本的损失函数

第三步：找到最佳的函数

利用梯度下降算法，寻找到一组最佳的参数，用到数学里面的微分

可以采用一些深度学习框架，帮助计算微分

四、为什么要深度学习

李老师在后续的课程，会回答这个问题，大家也提前思考一下。同时，持续跟着李老师学习和实践。

附录：深度学习的一些参考资料

朋友们，在学习中有什么问题或者想法，请加入机器学习群，大家一起讨论，共同进步。

每周一书

1利用Python进行数据分析

2深度学习

3Head First Python 中文版

4Hands on XGboost

5数据科学导论：Python语言实现

课程视频点击                                         

↓↓↓