文章部分内容参考自captainbed.net

[TOC]

神经网络概述

• 之前的人工智能（聚类、专家系统、归纳逻辑）都是假智能，与其说是人工智能，倒不如说是统计智能。都只是一个较为复杂的大型程序而已，我们仍然清楚其内部如何运行。

• 而神经网络则不同，其内部是一个黑盒子，我们丝毫不知道他是如何实现的。

神经网络理论基础

神经网络是受人类大脑神经细胞的启发而构造出来的，每一个节点接受若干权值的输入，如果满足一定条件，就输出，否则不输出。

其中x代表输入的训练集，y代表输出的结果。

神经网络相关概念

• 网络越复杂神经网络就越强大 所以我们需要深度神经网络。这里的深度是指层数多，层数越多那么构造的神经网络就越复杂。

• 训练深度神经网络的过程就叫做深度学习 网络构建好了后，我们只需要负责不停地将训练数据输入到神经网络中，它内部就会自己不停地发生变化不停地学习，而我们不知道它是如何学习的。

• 每一个输入到神经网络的数据都被叫做一个特征，例如向图像识别神经网络输入一个有64*64*3（64*64是分辨率，3是3种原色）个像素的图片。这个12288维的图片也被叫做_有12288个特征的特征向量_。

基础概念汇总

人工智能常用的一些基础概念如下：

样本

样本就是用来训练模型的一些实例，分为有标签样本和无标签样本，

标签

标签是我们要预测的事物，举例来说，判断一个动物图片是不是猫。“猫”就是标签；或者预测房子的价格，“价格”就是标签。标签是可以确定的。

⭐️特征

特征是输入的变量，==可以理解影响结果为“因素”==，复杂的机器学习项目中可能会有上百万个特征。在垃圾邮件检测中，特征可能包括：邮件中的字词、发件人的地址、发送的时间、发送的频率...（不难想到这些因素都可能影响是否判定当前邮件为垃圾邮件的结果）。

出现频率高、与标签关系高的特征是价值高的特征，我们要避免很少出现的特征，例如邮件的ID。

⭐️模型

模型定义了特征和标签之间的关系。例如，垃圾邮件检测模型可能会将邮件中的出现某些广告词汇这一特征与“垃圾邮件”联系起来。模型生命周期的两个阶段：

1. 训练：创建模型并让模型学习，给模型提供有标签的样本，让模型自己去学习特征与标签之间的关系。
2. 推断：讲训练后的模型应用于无标签的样本，让模型去做出实际的预测。

也就是先学，学好了就用。