目录
1、深度学习与机器学习的区别:
2、机器学习流程:
3、深度学习:
4、特征工程的作用:(特征工程要更重要)
5、如何提取特征:
6、计算机视觉面临的挑战:
1、深度学习与机器学习的区别:
深度学习最大的优势就是不用我们自己去选特征了,AI领域最大的难题就是怎么去提特征。但是深度学习是一个端到端的,一条龙服务,由输入到输出,过程不需要我们管,深度学习的优势就体现在这里,中间所有过程你不需要去管了。(把神经网络当做一个特征提取器,特征是非常重要的)
深度学习缺点:在去建模的时候,对于分析方面的需求不是很满足,他一般是得到一个输出结果。
2、机器学习流程:
- (1)数据获取
- (2)特征工程(hard)
- (3)建立模型
- (4)评估与应用
3、深度学习:
拿到数据之后,让这个网络去学习一下什么样的特征是比较合适的,该怎样组合是比较合适的,这是深度学习与人工智能更接近的地方,不用人为的去选择特征。(深度学习是机器学习的一部分也是最核心的一部分,其中最大的解决了特征工程的问题)
4、特征工程的作用:(特征工程要更重要)
- 数据特征决定了模型的上限。
- 预处理和特征提取是最核心的。
- 算法与参数选择决定了如何逼近这个上限。
5、如何提取特征:
神经网络这个大黑盒子(虽然他是一个黑盒子,但是我们得知道他其中的每一个细节是如何去做的),能够自动的对数据进行特征提取。计算机去学习什么样的特征他觉得是最合适的。
------------------------深度学习解决的核心问题是怎么样去提特征。--------------------
6、计算机视觉面临的挑战:
- 照射角度
- 形状改变
- 部分遮蔽
- 背景混入