第一周

一、无监督学习与监督学习

无监督学习从数据中学习模式，适用于描述数据。

监督学习从数据中学习标记分界面。

半监督学习：一部分样本有标注，大部分样本没标注。

强化学习：样本标注未知，但是知道与输出目标相关的反馈。

二、人工智能分类

三、传统机器学习与深度学习的比较

传统机器学习：
1、收集几百张数据
2、花很长时间观察并选择或设计一些特征
3、用某种分类器训练和测试

深度学习：
1、收集几万张数据并标注要处理对象的位置
2、挑几个深度模型，选几组模型超参数
3、交给机器优化参数

四、深度学习中的“不能”

1、算法输出不稳定，容易被攻击
2、模型复杂度高，难以调试
3、层级复杂度高，参数不透明
4、端到端方式对数据依赖性强，模型增量性差
5、对开放性推理问题无能为力
6、人类知识无法有效引入

五、神经网络基础

常见激活函数

它是做了一个非线性变换，使得不再是简单的多层矩阵相乘
sigmod:输出从0到1
tanh:从-1到1
ReLU: 取0和当前值的最大值

万有逼近定理

如果一个隐层包含足够多的神经元，三层前馈神经网络（输入-隐层-输出）能以任意精度逼近任意预定的连续函数。

梯度下降

沿负梯度方向更新使得函数值下降最快

六、pytorch基础

1、定义数据

一个数、一维数组 torch.tensor()
二维及以上的数组 torch.ones(2, 3)
空张量 torch.empty(2, 3)
随机初始化的张量 torch.rand(3, 5)
创建一个全0张量，并且数据类型为long torch.zeros(3, 5, dtype=torch.long)
基于现有tensor创建新tensor y = x.new_ones(3, 5)

2、基本操作

基本运算，加减乘除，求幂求余
布尔运算，大于小于，最大最小
线性运算，矩阵乘法，求模，求行列式