持续学习,持续更新

主要目标

扩展技术视野,了解其实用价值,会简单的使用库和工具进行应用,成为深度神经网络的使用者

方法论

深度学习的应用

自顶向下,了解应用,产生兴趣,再持续学习基础

tensorflow

TensorFlow一大亮点是支持异构设备分布式计算,它能够在各个平台上自动运行模型,从电话、单个CPU / GPU到成百上千GPU卡组成的分布式系统

CNN

其中,CNN是Image领域常见的一种深度神经网络。由Yann LeCun提出,通过卷积来发现位置无关的feature,而且这些feature的参数是相同的,从而与全连接的神经网络相比大大减少了参数的数量。
?不懂

生成式对抗网络(GAN)

课程: Andrew Ng在coursera上的机器学习公开课

第一周

监督学习

  • 给数据和正确的答案,让机器学习
  • 分类问题: 离散预测,期待离散的取值
  • 回归问题: 连续预测,期待一个连续的取值

非监督学习

只给数据,没有答案,让机器自动区分数据的结构

  • 聚类问题: 比如谷歌新闻,相关新闻聚类在一起
  • Non-clustering: “Cocktail Party Algorithm”, 比如区分两个人的声音