更新中
机器学习
按道理来说， 这个领域（机器学习）应该叫做 统计学习 （Statistical Learning），因为它的方法都是由概率统计领域拿来的。这些人中的领军人物很有商业头脑， 把统计和物理的数理模型， 改名叫做机器， 比如模型（model）就叫机（machine），把一些层次模型（hierarchical model）说成是“网”（net）。这样，搞出了几个“机”和“网”之后， 这个领域就有了地盘。另一方面，我的那些做统计的同事们也都老实、图个清静，不与他们去争论， 也大多无力去争。当然，统计学领域也有不少人参与了机器学习的浪潮。简单说，机器学习中的 “机器”就是统计模型，“学习”就是用数据来拟合模型。 是由做计算机的人抢占了统计人的理论和方法，然后，应用到视觉、语音语言等 domains。
深度学习
其实并没有区别于机器学习的深度学习，只是为了方便讨论，大家把不需要太多特征工程，模型参数量较大的称为深度学习。具体而言，深度学习特别擅长处理非结构化的数据。机器学习所用的数据集，都是具有良好的结构，每一个特征是什么，我们都能说得很清楚，传统机器学习模型需要先做各种各样的特征工程，让数据变得“计算机友好”，再输入模型进行学习。但是，还有另外一大类数据是没有良好结构的，比如说图形图像数据、文本数据等，对此，深度学习模型则可以自动进行特征提取，因此就省略掉了手工做特征工程的环节。
深度学习可以分成三大类，其应用场景的区别是：
科普 | 深度学习算法三大类：CNN，RNN和GAN - 知乎 (zhihu.com)
目前比较常用的神经网络结构
前馈神经网络
每一层中的神经元接收前一层神经元的输出，并输出到下一层神经元。整个网络中的信息是朝着一个方向传播的，即输入到输出方向，没有反向的信息传播（和误差反向传播不是一回事）,可用有向无环图表示
例：全连接前馈神经网络(FC)和卷积神经网络(CNN)。
反馈神经网络
反馈神经网络中神经元不但可以接收其他神经元的信号，而且可以接收自己的反馈信号。和前馈神经网络相比，反馈神经网络中的神经元具有记忆功能，在不同时刻具有不同的状态。反馈神经网络中的信息传播可以是单向也可以是双向传播，因此可以用一个有向循环图或者无向图来表示。
e. 循环神经网络、Hopfield网络和玻尔兹曼机。
而为了进一步增强记忆网络的记忆容量，可以映入外部记忆单元和读写机制，用来保存一些网络的中间状态，称为记忆增强网络，比如神经图灵机。
图网络
图网络是定义在图结构数据上的神经网络，图中每个结点都由一个或者一组神经元组成。结点之前的连接可以是有向的，也可以是无向的。每个结点可以收到来自相邻结点或自身的信息。
到此这篇机器学习cnn（机器学习 周志华）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/rgzn-jqxx/37016.html