【机器学习】——神经网络与深度学习

目录

引入

一、神经网络及其主要算法

1、前馈神经网络

2、感知器

3、三层前馈网络（多层感知器MLP）

4、反向传播算法

二、深度学习

1、自编码算法AutorEncoder

2、自组织编码深度网络

①栈式AutorEncoder自动编码器

②Sparse Coding稀疏编码

3、卷积神经网络模型（续下次）

拓展：

引入

人工神经网络ANN是由大量处理单位（人工神经元）经广泛互连而组成的人工网络，以模拟脑神经系统的结构与功能。ANN可看作以人工神经元为节点，用有向加权弧连接起来的有向图，有向弧的权重表示相互连接的两个神经元间相互作用的强弱。深度学习算法是人工神经网络算法的改进，提高了神经网络算法的性能和应用。

一、神经网络及其主要算法

1、前馈神经网络

构成前馈神经网络的各神经元接收前一级输入，并输入到下一级，无反馈，可用一有向无环图表示。图的节点分为两类——输入节点和计算单元。每个计算单元可有任意个输入但只有一个输出，而输出可耦合到任意多个其他节点输入（输出的是同一个值给很多人）。前馈网络通常分为不同层，通常认为输入为第一层，所以单层计算单元的网络实际上是一个两层网络，输入和输出节点可与外界相连，直接受环境影响，称为可见层，其他中间层称为隐层。

2、感知器

感知器模型是为研究大脑的存储、学习和认知过程而提出的一类具有自学习能力的神经网络模型，把神经网络的研究从纯理论探讨引向了工程实现。它是一种双层神经网络模型，一层为输入层，另一层具有计算单元，可以通过监督学习建立模式判别的能力。

学习的目标是通过改变权值使神经网络由给定的输入得到给定的输出。作为分类器，可以用已知类别的模式向量或

参考阅读

 您阅读本篇文章共花了：