数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装设计
法学为什么机器学习需要神经网络？
神经网络已经存在很多年了，期间它们因其特性而受到赞扬和批评。
但最近，它们比其他机器学习算法更受关注。当然，机器学习算法很重要，因为它们有助于实现某些目标。但是，当机器学习算法无法达到更高的准确率时，我们应该怎么做呢？
这就是深度学习算法发挥作用的地方。它们模仿人脑的层次结构，并尝试通过将输入从一层传递到下一层来做出最佳决策。
顾名思义，神经网络试图遵循人脑做决策的模式。
到目前为止，我们还没有达到人脑所使用的智能水平，但是观察最新的技术和改进，神经网络能够与人脑一样好，甚至更好，也并非遥不可及。
它们已在强化学习中结合Q学习被用来实现高精度。
这种关注度的提高可以归功于计算机速度更快、能够有效地使用大型数据集、图形处理单元 (GPU) 的使用、更好的算法以及神经网络的架构。
例如，我们可以看到“ImageNet”数据库。
它包含超过一百万张来自一千多个类别的、高分辨率彩色图像。
这些类别从汽车到动物到树木，应有尽有。
使用此“ImageNet”数据库的任务之一是将这些类别中存在的未知图像分类到特定的图像类别。
卷积神经网络已显示出更高的性能和改进的准确率。
但是，谷歌和苹果等科技巨头分别将深度学习算法用于语音识别和翻译。
在深入了解这些高级概念之前，让我们了解一下只有一层或两层的神经网络。
这些只有一层或两层的神经网络并没有多大用处，但有助于理解神经网络的内部工作原理。
了解神经网络的理论、它们的工作原理以及层的意义有助于为深度学习奠定基础。了解简单网络的工作原理将奠定基础，这将有助于我们轻松理解深度网络的工作原理。
我们将学习的第一个也是最基本的神经网络示例是“感知器”。
更新于：2020年12月10日
265 次浏览
广告