专栏首页AI研习社小白必看:神经网络入门指南

小白必看:神经网络入门指南

本文为 AI 研习社编译的技术博客,原标题 : Neural networks for dummies: a quick intro to this fascinating field 作者 | Dalya Gartzman 翻译 | Disillusion 校对 | 酱番梨 整理 | 菠萝妹 原文链接: https://medium.freecodecamp.org/neural-networks-for-dummies-a-quick-intro-to-this-fascinating-field-795b1705104a

你是否想知道大家都在谈论的神经网络到底是什么,但你又不敢去问?哈哈,别再害怕了!读了这篇文章,你将能够走进任何一个会议,用你新获得的流行词在午餐桌上大放异彩!

如果你在过去几年里打开过浏览器,你一共见过“神经网络”这个词(几百次)了。

在这篇短文中,我将给你一些关于神经网络和其领域的一些知识。在接下来的5分钟里,你可能不会成为这个领域的世界专家,但你会经历一个不平凡的入门阶段。你也会学到一些时髦的词汇来给餐桌上的家人留下深刻印象,尤其是当你真的照着文末的阅读清单去读书。

什么是机器学习?

要理解神经网络,我们首先需要理解机器学习。为了理解机器学习,我们得先谈谈人类学习,也就是“经典编程”。

在经典编程中,作为开发人员,我需要理解我试图解决的问题的各个方面,并确切地知道所有的规则是什么,以使我的程序成为解决方案。

例如,假设我想让我的程序知道正方形和圆形之间的区别。处理它的一种方法是编写一个程序,它可以检测角,然后应用它来计数角。如果程序看到四个角,那么这个形状就是正方形,如果程序看不到角,那么这个形状就是圆形。

而机器学习呢?一般来说,机器学习=从例子中学习。

在机器学习中,当我们面对同样的区分圆和正方形的问题时,我们会设计一个学习系统,该系统会以形状及其类(正方形或圆形)的许多例子作为输入。我们希望机器能自己学会区分它们的特性。

然后,我的朋友们,一旦机器学习了所有这些特性,我就可以给它一个新的圆或正方形的图像,一个它以前没见过的图像,一切顺利的话,它将能对其正确地分类。

什么是神经元?

神经元,在神经网络的背景下,是自作聪明的人想的一个花哨的名字,实际上它们就是函数。函数,在数学和计算机科学的背景下,也是一个花哨的名称,用来表示接受一些输入,应用一些逻辑,并输出结果的东西。

说的更确切些,神经元可以看作是一个学习单元。

因此,我们需要理解在机器学习的背景下,什么是学习单元。然后我们还将了解神经网络最基本的组成部分,即神经元。

为了举例说明,假设我试图理解一篇博客文章中的字数与人们实际从那篇博客文章中读到的字数之间的关系。记住,我们在机器学习领域,我们从例子中学习。

所以我收集了很多关于博客文章字数的例子,用x表示,以及人们在这些文章中实际读了多少个单词,用y表示,我想它们之间有某种关系,用f表示。

然而,诀窍是,我只需要告诉机器(程序)我期望看到的关系是什么(例如一条直线),机器就会理解它实际需要绘制的线。

我从中得到了什么?

下次我想写一篇含有x个单词的博客文章时,机器可以应用它找到的关系f,告诉我可以期望人们实际读多少个单词,y。

所以, 一个神经网络是…

如果神经元是一个函数,那么神经网络就是一个函数网络!这意味着我们有许多(特别多)这样的函数,这样的学习单元,它们的所有输入和输出都是相互交织的,它们相互供给。

作为这个网络的设计者,我的工作是回答以下几个问题:

  • 我如何为输入和输出建模?(例如,如果输入的是文本,我可以用字母建模吗?数字?向量? ....)
  • 每个神经元的功能是什么?(他们是线性的吗?指数?…)
  • 神经网络的架构是什么?(也就是说,哪个函数的输出是哪个函数的输入?)
  • 我能用什么流行语来描述我的关系网?

一旦我回答了这些问题,我就可以“展示”神经网络许多(特别多)正确输入和输出的示例,希望当我“展示”一个它从未见过的新输入示例时,它将知道如何给出正确的输出。

这个学习过程是如何工作的超出了本文的范围,但如果你想要了解更多信息,可以看这个。你也可以去这个超级酷的神经网络游乐场,更好地理解这些概念。

神经网络——永无止境的故事

随着这个领域的爆炸式发展,每分钟都有大量的新(和高质量的)内容涌现出来,任何人都不可能全部关注。(我的天哪,你认为将来会有一天,人类能够制造出一种能够跟踪人类在人工智能领域进步的人工智能吗??)

进入这个领域,首先要知道的是没有人知道一切。所以,不管你处在什么阶段都不要紧张,保持好奇心:)

因此,我希望在这篇文章的最后几句话是一些我个人最喜欢的参考资源:

  • Gal Yona - 在该领域我最喜欢的博主之一. 她既写硬核的技术解释,也写半哲学的评论。
  • Siraj Raval - 一个拥有大量视频的youtuber,从理论解释到手把手教学,全都超级有趣!
  • Christopher Olah - 一个充满激情和洞察力的研究人员,有一个视觉上吸引人的博客,从基本概念到深入知识的帖子都有。
  • Towards Data Science 是该领域最大的媒体出版物,我喜欢的是它的编辑都是优秀的领头人。当你有几分钟/几个小时空闲的时候,只要去他们的主页,开始探索一切,从实用工具到深入的算法内容。

感谢 Hagar Shilo, Adi Polak, Noa Raindel, Yudit Sharabi, Batel Mankovsky。

本文分享自微信公众号 - AI研习社(okweiwu)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-12-09

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 传统算法如何转化成神经网络?| 回顾

    在当今AI时代中,CNN和RNN都被广泛关注,并且有很多相关讨论,而最基础的神经网络DNN,它的研究和曝光度却相对较少。DNN是所有其它神经网络的基础,所以对它...

    AI研习社
  • 【NLP/AI算法面试必备】学习NLP/AI,必须深入理解“神经网络及其优化问题”

    一、神经网络基础和前馈神经网络 1、神经网络中的激活函数:对比ReLU与Sigmoid、Tanh的优缺点?ReLU有哪些变种? 2、神经网络结构哪几种?各自都有...

    AI研习社
  • CS224n 更新 | 第十三讲 - 卷积神经网络

    自然语言处理(NLP)是信息时代最重要的技术之一。理解复杂的语言话语也是人工智能的重要组成部分。 NLP 的应用无处不在,因为人与人之间大部分的沟通都需要语言:...

    AI研习社
  • 世界欠他一个图灵奖! LSTM之父的深度学习“奇迹之年”

    近日,LSTM 的发明人、著名深度学习专家 Jürgen Schmidhuber 发表了一篇长文,详细论述了近 30 年前,即 1990~1991 年之间他和团...

    数据派THU
  • 神经网络的优点和缺点

    在本文中我们将探讨如今深度学习如此受欢迎的原因。在读完本文后,你将了解神经网络的主要优缺点,并且当你为解决机器学习问题选择合适类型的算法时,你将做到心中有数。你...

    CDA数据分析师
  • 手把手 | 30行JavaScript代码,教你分分钟创建神经网络

    大数据文摘
  • (图解)机器学习的衰颓兴盛:从类神经网络到浅层学习

    1950年代计算机发明以来,科学家便希冀着利用计算机创造出人工智能;然而,当时的硬件效能低落、数据量不足,随着通用问题解决机、日本第五代计算机等研究计划的失败,...

    GPUS Lady
  • 【干货】如何成为深度学习专家的七大步骤

    首先为用Buzz做为点击标题的诱饵道歉,但是它确实是起到了一定的作用,并且吸引了大批读者来阅读此文章。 在我们的工作中,经常被问及的问题之一就是“从哪里开始学习...

    新智元
  • 神经网络最大的优点,以及最严重的缺陷

    最近条子说他弄个了个新零售的神经网络。一般办公室里的半自动贩售便利柜,都是扫码以后,靠自觉取产品。条子是闭着眼睛,靠神经取产品…

    用户1737318
  • 一文读懂神经网络(附PPT、视频)

    本文共6500字,建议阅读10分钟。 本文从神经网络的发展历史出发,为你介绍感知器模型、前馈神经网络及BP算法。 [导读] 提起神经网络,你会想到什么?关于深度...

    数据派THU

扫码关注云+社区

领取腾讯云代金券