《神经网络与深度学习》(邱锡鹏) 内容概要【不含数学推导】

第1章 绪论

• 基本概念：介绍了人工智能的发展历程及不同阶段的特点，如符号主义、连接主义、行为主义等。还阐述了深度学习在人工智能领域的重要地位和发展现状，以及其在图像、语音、自然语言处理等多个领域的成功应用。
• 术语解释
  • 人工智能：旨在让机器模拟人类智能的技术和科学。
  • 深度学习：一种基于对数据进行表征学习的方法，通过构建具有很多层的神经网络模型，自动从大量数据中学习复杂的模式和特征。

第2章 机器学习概述

• 基本概念：讲解了机器学习的基本任务，包括监督学习、无监督学习和强化学习。介绍了机器学习的一般流程，即从数据收集、预处理，到模型选择、训练、评估和调优的过程。
• 术语解释
  • 监督学习：给定输入和对应的输出标签，学习一个模型，使其能够对新的输入进行准确预测。
  • 无监督学习：只有输入数据，没有明确的输出标签，旨在发现数据中的内在结构和模式。
  • 强化学习：智能体在环境中通过不断试错来学习最优行为策略，以最大化长期奖励。
  • 模型评估指标：如准确率、召回率、F1值、均方误差等，用于衡量模型在测试数据上的性能。

第3章 线性模型

• 基本概念：主要介绍了线性回归和对数几率回归这两种基本的线性模型。线性回归用于预测连续的数值，通过最小二乘法拟合数据得到最佳的线性模型参数。对数几率回归则用于处理分类问题，将线性函数的输出通过对数几率函数转换为概率，进而进行分类预测。
• 术语解释
  • 线性回归：假设输入特征和输出之间存在线性关系，通过学习线性方程的系数来进行预测。
  • 最小二乘法：一种优化方法，通过最小化预测值与真实值之间误差的平方和来求解线性回归模型的参数。
  • 对数几率回归：也叫逻辑回归，将线性回归的结果通过对数几率函数进行变换，得到属于某个类别的概率，用于二分类问题。
  • 损失函数：衡量模型预测结果与真实结果之间的差异程度，用于模型训练时的优化目标。

第4章 前馈神经网络

• 基本概念：前馈神经网络是一种基本的神经网络结构，信息从输入层单向传递到输出层，中间经过若干个隐藏层。它通过神经元之间的连接权重和激活函数来对输入数据进行非线性变换，从而学习数据中的模式和特征，实现分类或回归等任务。
• 术语解释