# 什么是深度學習?
> 原文: [https://machinelearningmastery.com/what-is-deep-learning/](https://machinelearningmastery.com/what-is-deep-learning/)
深度學習是機器學習的一個子領域,涉及受大腦結構和功能激發的算法,稱為人工神經網絡。
如果你剛剛開始深度學習領域,或者你曾經有過神經網絡的經驗,你可能會感到困惑。我知道我最初很困惑,許多同事和朋友在 20 世紀 90 年代和 21 世紀初學習和使用神經網絡也是如此。
該領域的領導者和專家對深度學習的觀點有所了解,這些具體而細微的觀點為深度學習的內容提供了很多依據。
在這篇文章中,您將通過聽取該領域的一系列專家和領導者的確切了解深度學習的內容。
讓我們潛入。

什么是深度學習?
[Kiran Foster](https://www.flickr.com/photos/rueful/7885846128/) 的照片,保留一些權利。
## 深度學習是大型神經網絡
[來自百度研究院 Coursera 和首席科學家的 Andrew Ng](https://en.wikipedia.org/wiki/Andrew_Ng) 正式成立了 [Google Brain](https://en.wikipedia.org/wiki/Google_Brain) ,最終導致了大量 Google 服務中深度學習技術的產品化。
他已經說了很多關于深度學習的內容并寫了很多,并且是一個很好的起點。
在深度學習的早期討論中,安德魯描述了傳統人工神經網絡背景下的深度學習。在 2013 年題為“[深度學習,自學習和無監督特征學習](https://www.youtube.com/watch?v=n1ViNeWhC24)”的演講中,他將深度學習的理念描述為:
> 使用大腦模擬,希望:
>
> - 使學習算法更好,更容易使用。
>
> - 在機器學習和人工智能方面取得革命性進展。
>
> 我相信這是我們邁向真正人工智能的最好機會
后來他的評論變得更加細致入微了。
根據安德魯的深度學習的核心是我們現在擁有足夠快的計算機和足夠的數據來實際訓練大型神經網絡。在討論為什么現在是 2015 年 ExtractConf 在深度學習的時候,題為“[科學家應該了解的關于深度學習](https://www.youtube.com/watch?v=O0VN0pGgBZM)的數據”,他評論說:
> 我們現在擁有的非常大的神經網絡......以及我們可以訪問的大量數據
他還評論了關于規模的重要觀點。當我們構建更大的神經網絡并用越來越多的數據訓練它們時,它們的表現會不斷提高。這通常與其他在表現上達到穩定水平的機器學習技術不同。
> 對于舊代學習算法的大多數風格......表現將達到穩定水平。 ......深度學習......是第一類算法......可擴展。 ...隨著您提供更多數據,表現會不斷提高
他在幻燈片中提供了一個漂亮的卡通片:

為何深度學習?
滑動 [Andrew Ng](http://www.slideshare.net/ExtractConf) ,保留所有權利。
最后,他清楚地指出,我們在實踐中看到的深度學習的好處來自有監督的學習。從 2015 年的 ExtractConf 演講中,他評論道:
> 今天深度學習的幾乎所有價值都是通過有監督的學習或從標記數據中學習
早些時候,斯坦福大學在 2014 年的一次題為“[深度學習](https://www.youtube.com/watch?v=W15K9PegQt0)”的演講中,他做了類似的評論:
> 深度學習像瘋了一樣起飛的一個原因是因為它在監督學習中很棒
安德魯經常提到我們應該并且會看到更多的好處來自軌道的無人監督的一面,因為該領域已經成熟,可以處理大量未標記的數據。
[Jeff Dean](https://en.wikipedia.org/wiki/Jeff_Dean_(computer_scientist)) 是 Google 的系統和基礎設施小組的向導和谷歌高級研究員,并參與并可能部分負責 Google 內部深度學習的擴展和采用。 Jeff 參與了 Google Brain 項目以及大型深度學習軟件 DistBelief 和后來的 TensorFlow 的開發。
在 2016 年題為“[建立智能計算機系統深度學習](https://www.youtube.com/watch?v=QSaZGT4-6EY)”的演講中,他以類似的方式發表評論,深度學習實際上是關于大型神經網絡的。
> 當你聽到深度學習這個詞的時候,就想想一個大的深度神經網絡。深度指的是典型的層數,因此這種流行術語在印刷機中被采用。我認為它們通常是深度神經網絡。
他已經多次發表過這個演講,并且在[改進的幻燈片中為同一個演講](http://static.googleusercontent.com/media/research.google.com/en//people/jeff/BayLearn2015.pdf),他強調了神經網絡的可擴展性,表明隨著更多的數據和更大的模型,結果會變得更好更多計算訓練。

結果更好,更多數據,更大型號,更多計算
滑動 [Jeff Dean](http://static.googleusercontent.com/media/research.google.com/en//people/jeff/BayLearn2015.pdf) ,保留所有權利。
## 深度學習是分層特征學習
除了可擴展性之外,深度學習模型的另一個經常被引用的好處是它們能夠從原始數據執行自動特征提取,也稱為[特征學習](https://en.wikipedia.org/wiki/Feature_learning)。
[Yoshua Bengio](https://en.wikipedia.org/wiki/Yoshua_Bengio) 是深度學習的另一個領導者,盡管他開始對大型神經網絡能夠實現的自動特征學習產生濃厚的興趣。
他描述了使用特征學習發現和學習良好表示的算法能力方面的深度學習。在 2012 年題為“[深度學習無監督和轉移學習的表達](http://www.jmlr.org/proceedings/papers/v27/bengio12a/bengio12a.pdf)”的論文中,他評論道:
> 深度學習算法試圖利用輸入分布中的未知結構,以便通常在多個級別上發現良好的表示,并使用較低級別的特征定義更高級別的學習特征
他在 2009 年的技術報告“[為 AI](http://www.iro.umontreal.ca/~lisa/publications2/index.php/publications/show/239) 學習深層架構”中提供了深入學習的詳細視角,其中強調了特征學習中層次結構的重要性。
> 深度學習方法旨在學習具有來自較低級別特征的組成所形成的較高級別的層級的特征的特征層級。在多個抽象級別自動學習功能允許系統學習直接從數據將輸入映射到輸出的復雜功能,而不完全依賴于人工制作的功能。
在即將出版的名為“[深度學習](http://www.deeplearningbook.org)”的書中,他與 Ian Goodfellow 和 Aaron Courville 合著,他們根據模型的架構深度來定義深度學習。
> 概念的層次結構允許計算機通過用簡單的概念構建它們來學習復雜的概念。如果我們繪制一個圖表來顯示這些概念是如何相互構建的,那么圖表很深,有很多層。出于這個原因,我們將這種方法稱為 AI 深度學習。
這是一本重要的書,有可能在一段時間內成為該領域的權威資源。本書繼續描述多層感知器作為深度學習領域中使用的算法,給出了深度學習已包含在人工神經網絡中的觀點。
> 深度學習模型的典型例子是前饋深度網絡或多層感知器(MLP)。
[Peter Norvig](https://en.wikipedia.org/wiki/Peter_Norvig) 是谷歌研究部主任,以其題為“[人工智能:現代方法](http://www.amazon.com/dp/0136042597?tag=inspiredalgor-20)”的人工智能教科書而聞名。
在 2016 年的一次演講中,他給出了題為“[深度學習和可理解性與軟件工程和驗證](https://www.youtube.com/watch?v=X769cyzBNVw)”的內容,他以與 Yoshua 非常相似的方式定義了深度學習,重點關注使用更深層網絡結構所允許的抽象功能。
> 一種學習,你形成的表示有幾個抽象層次,而不是輸出的直接輸入
## 為什么稱它為“深度學習”?
為什么不只是“人工神經網絡”?
[Geoffrey Hinton](https://en.wikipedia.org/wiki/Geoffrey_Hinton) 是人工神經網絡領域的先驅,并共同發表了關于[反向傳播](https://en.wikipedia.org/wiki/Backpropagation)算法的第一篇論文,用于訓練多層感知器網絡。
他可能已經開始引入措辭“ _deep_ ”來描述大型人工神經網絡的發展。
他在 2006 年共同撰寫了一篇題為“[深度信念網快速學習算法](http://www.mitpressjournals.org/doi/pdf/10.1162/neco.2006.18.7.1527)”的論文,其中描述了一種訓練“深度”(如在多層網絡中)受限制的 Boltzmann 機器的方法。
> 使用互補先驗,我們推導出一種快速,貪婪的算法,可以一次一層地學習深層定向信念網絡,前提是前兩層形成一個無向聯想記憶。
本文和 Geoff 在一個無向深度網絡上共同撰寫的題為“ [Deep Boltzmann Machines](http://www.jmlr.org/proceedings/papers/v5/salakhutdinov09a/salakhutdinov09a.pdf) ”的相關論文得到了社區的好評(現已引用數百次),因為它們是貪婪層的成功例子 - 明智的網絡訓練,在前饋網絡中允許更多層。
在科學的一篇題為“[用神經網絡降低數據維度](https://www.cs.toronto.edu/~hinton/science.pdf)”的共同撰寫的文章中,他們堅持使用相同的“深度”描述來描述他們開發網絡的方法,這些網絡的層數比以前更多。
> 我們描述了一種初始化權重的有效方法,它允許深度自動編碼器網絡學習低維度代碼,這些代碼比主成分分析更好地作為減少數據維度的工具。
在同一篇文章中,他們發表了一篇有趣的評論,與 Andrew Ng 關于最近計算能力的提高以及對大型數據集的訪問的評論相互關聯,這些數據集在大規模使用時釋放了神經網絡尚未開發的能力。
> 自 20 世紀 80 年代以來,顯而易見的是,通過深度自動編碼器的反向傳播對于非線性降維是非常有效的,只要計算機足夠快,數據集足夠大,并且初始權重足夠接近良好的解決方案。現在滿足所有這三個條件。
在 2016 年皇家學會題為“[深度學習](https://www.youtube.com/watch?v=VhmE_UXDOGs)”的演講中,Geoff 評論說深度信念網絡是 2006 年深度學習的開始,并且這一新的深度學習浪潮的首次成功應用是 2009 年的語音識別標題為“[聲學建模使用深度信念網絡](http://www.cs.toronto.edu/~asamir/papers/speechDBN_jrnl.pdf)”,實現了最先進的結果。
結果使語音識別和神經網絡社區注意到,使用“深度”作為先前神經網絡技術的差異因素,可能導致名稱改變。
皇家學會談話中對深度學習的描述非常反向傳播,正如您所期望的那樣。有趣的是,他提出了為什么反向傳播(讀“深度學習”)在上世紀 90 年代沒有起飛的 4 個原因。前兩點與安德魯·吳(Andrew Ng)的評論相符,關于數據集太小而計算機太慢。

1986 年背向傳播實際上是錯誤的?
滑動 [Geoff Hinton](https://www.youtube.com/watch?v=VhmE_UXDOGs) ,保留所有權利。
## 深度學習作為跨域的可擴展學習
深度學習在輸入(甚至輸出)是模擬的問題域上表現優異。意思是,它們不是表格格式的少量數量,而是像素數據,文本數據文檔或音頻數據文件的圖像。
[Yann LeCun](https://en.wikipedia.org/wiki/Yann_LeCun) 是 Facebook Research 的主管,是網絡架構之父,擅長圖像數據中的對象識別,稱為[卷積神經網絡(CNN)](http://machinelearningmastery.com/crash-course-convolutional-neural-networks/)。這種技術看起來非常成功,因為像多層感知器前饋神經網絡一樣,該技術可以根據數據和模型大小進行擴展,并且可以通過反向傳播進行訓練。
這使他對深度學習的定義偏向于非常大的 CNN 的發展,這些 CNN 在照片中的對象識別方面取得了巨大成功。
在勞倫斯利弗莫爾國家實驗室 2016 年的一次題為“[加速理解:深度學習,智能應用和 GPU](https://www.youtube.com/watch?v=Qk4SqF9FT-M) ”的演講中,他將深度學習描述為學習層次表示,并將其定義為構建對象識別系統的可擴展方法:
> 深度學習[是] ...所有可訓練的模塊管道。 ......因為在識別一個物體的過程中有多個階段,所有這些階段都是訓練的一部分“

深度學習=學習等級表示
滑動 [Yann LeCun](https://www.youtube.com/watch?v=Qk4SqF9FT-M) ,保留所有權利。
[Jurgen Schmidhuber](https://en.wikipedia.org/wiki/J%C3%BCrgen_Schmidhuber) 是另一種流行算法的父親,它像 MLP 和 CNN 一樣也可以根據模型大小和數據集大小進行擴展,并且可以通過反向傳播進行訓練,而是針對學習序列數據進行定制,稱為 [Long 短期記憶網絡(LSTM)](http://machinelearningmastery.com/crash-course-recurrent-neural-networks-deep-learning/),一種遞歸神經網絡。
我們確實看到在該領域的措辭中存在一些混淆,即“深度學習”。在 2014 年題為“[神經網絡中的深度學習:概述](http://arxiv.org/pdf/1404.7828v4.pdf)”的論文中,他對該領域的問題命名以及深度與淺層學習的區分進行了評論。他還有趣地描述了問題復雜性的深度,而不是用于解決問題的模型。
> Shallow Learning 在哪個問題深度結束,深度學習開始了?與 DL 專家的討論尚未對這一問題作出結論性回應。 [...],讓我只為此概述的目的定義:深度問題> 10 需要非常深度學習。
[Demis Hassabis](https://en.wikipedia.org/wiki/Demis_Hassabis) 是 [DeepMind](https://deepmind.com/) 的創始人,后來被谷歌收購。 DeepMind 突破了將深度學習技術與強化學習相結合,以處理復雜的學習問題,如玩游戲,在玩 Atari 游戲和游戲 Go with Alpha Go 時出類拔萃。
為了與命名保持一致,他們將他們的新技術稱為深度 Q 網絡,將深度學習與 Q-Learning 結合起來。他們還將更廣泛的研究領域命名為“深層強化學習”。
在他們的 2015 年自然論文題為“[通過深度強化學習](http://www.nature.com/nature/journal/v518/n7540/full/nature14236.html)進行人類控制”中,他們評論了深度神經網絡在突破中的重要作用,并強調了對分層抽象的需求。
> 為了實現這一目標,我們開發了一種新型代理,一種深度 Q 網絡(DQN),它能夠將強化學習與一類稱為深度神經網絡的人工神經網絡相結合。值得注意的是,深度神經網絡的最新進展使得人工神經網絡可以直接從原始傳感數據中學習諸如對象類別之類的概念,其中使用若干層節點來逐漸建立數據的抽象表示。
最后,在可能被認為是該領域的定義論文中,Yann LeCun,Yoshua Bengio 和 Geoffrey Hinton 在自然界發表了一篇題為“[深度學習](http://www.nature.com/nature/journal/v521/n7553/full/nature14539.html)”的論文。在其中,他們打開了一個清晰的深度學習定義,突出了多層次的方法。
> 深度學習允許由多個處理層組成的計算模型來學習具有多個抽象級別的數據表示。
后來,在表示學習和抽象方面描述了多層方法。
> 深度學習方法是具有多個表示級別的表示學習方法,通過組合簡單但非線性的模塊獲得,每個模塊將表示在一個級別(從原始輸入開始)轉換為更高,稍微更抽象級別的表示。 [...]深度學習的關鍵方面是這些功能層不是由人類工程師設計的:它們是使用通用學習程序從數據中學習的。
這是一個很好的通用描述,可以很容易地描述大多數人工神經網絡算法。這也是一個很好的結束。
## 摘要
在這篇文章中,您發現深度學習只是對更多數據的非常大的神經網絡,需要更大的計算機。
雖然 Hinton 和合作者發表的早期方法側重于貪婪的分層訓練和無監督方法,如自動編碼器,但現代最先進的深度學習主要集中在使用反向傳播算法訓練深層(多層)神經網絡模型。最流行的技術是:
* 多層感知器網絡。
* 卷積神經網絡。
* 長短期記憶回歸神經網絡。
我希望這已經清除了深層學習的內容以及領導定義如何在一個保護傘下融合在一起。
如果您對深度學習或此帖有任何疑問,請在下面的評論中提出您的問題,我會盡力回答。
- Machine Learning Mastery 應用機器學習教程
- 5競爭機器學習的好處
- 過度擬合的簡單直覺,或者為什么測試訓練數據是一個壞主意
- 特征選擇簡介
- 應用機器學習作為一個搜索問題的溫和介紹
- 為什么應用機器學習很難
- 為什么我的結果不如我想的那么好?你可能過度擬合了
- 用ROC曲線評估和比較分類器表現
- BigML評論:發現本機學習即服務平臺的聰明功能
- BigML教程:開發您的第一個決策樹并進行預測
- 構建生產機器學習基礎設施
- 分類準確性不夠:可以使用更多表現測量
- 一種預測模型的巧妙應用
- 機器學習項目中常見的陷阱
- 數據清理:將凌亂的數據轉換為整潔的數據
- 機器學習中的數據泄漏
- 數據,學習和建模
- 數據管理至關重要以及為什么需要認真對待它
- 將預測模型部署到生產中
- 參數和超參數之間有什么區別?
- 測試和驗證數據集之間有什么區別?
- 發現特征工程,如何設計特征以及如何獲得它
- 如何開始使用Kaggle
- 超越預測
- 如何在評估機器學習算法時選擇正確的測試選項
- 如何定義機器學習問題
- 如何評估機器學習算法
- 如何獲得基線結果及其重要性
- 如何充分利用機器學習數據
- 如何識別數據中的異常值
- 如何提高機器學習效果
- 如何在競爭機器學習中踢屁股
- 如何知道您的機器學習模型是否具有良好的表現
- 如何布局和管理您的機器學習項目
- 如何為機器學習準備數據
- 如何減少最終機器學習模型中的方差
- 如何使用機器學習結果
- 如何解決像數據科學家這樣的問題
- 通過數據預處理提高模型精度
- 處理機器學習的大數據文件的7種方法
- 建立機器學習系統的經驗教訓
- 如何使用機器學習清單可靠地獲得準確的預測(即使您是初學者)
- 機器學習模型運行期間要做什么
- 機器學習表現改進備忘單
- 來自世界級從業者的機器學習技巧:Phil Brierley
- 模型預測精度與機器學習中的解釋
- 競爭機器學習的模型選擇技巧
- 機器學習需要多少訓練數據?
- 如何系統地規劃和運行機器學習實驗
- 應用機器學習過程
- 默認情況下可重現的機器學習結果
- 10個實踐應用機器學習的標準數據集
- 簡單的三步法到最佳機器學習算法
- 打擊機器學習數據集中不平衡類的8種策略
- 模型表現不匹配問題(以及如何處理)
- 黑箱機器學習的誘惑陷阱
- 如何培養最終的機器學習模型
- 使用探索性數據分析了解您的問題并獲得更好的結果
- 什么是數據挖掘和KDD
- 為什么One-Hot在機器學習中編碼數據?
- 為什么你應該在你的機器學習問題上進行抽樣檢查算法
- 所以,你正在研究機器學習問題......
- Machine Learning Mastery Keras 深度學習教程
- Keras 中神經網絡模型的 5 步生命周期
- 在 Python 迷你課程中應用深度學習
- Keras 深度學習庫的二元分類教程
- 如何用 Keras 構建多層感知器神經網絡模型
- 如何在 Keras 中檢查深度學習模型
- 10 個用于 Amazon Web Services 深度學習的命令行秘籍
- 機器學習卷積神經網絡的速成課程
- 如何在 Python 中使用 Keras 進行深度學習的度量
- 深度學習書籍
- 深度學習課程
- 你所知道的深度學習是一種謊言
- 如何設置 Amazon AWS EC2 GPU 以訓練 Keras 深度學習模型(分步)
- 神經網絡中批量和迭代之間的區別是什么?
- 在 Keras 展示深度學習模型訓練歷史
- 基于 Keras 的深度學習模型中的dropout正則化
- 評估 Keras 中深度學習模型的表現
- 如何評價深度學習模型的技巧
- 小批量梯度下降的簡要介紹以及如何配置批量大小
- 在 Keras 中獲得深度學習幫助的 9 種方法
- 如何使用 Keras 在 Python 中網格搜索深度學習模型的超參數
- 用 Keras 在 Python 中使用卷積神經網絡進行手寫數字識別
- 如何用 Keras 進行預測
- 用 Keras 進行深度學習的圖像增強
- 8 個深度學習的鼓舞人心的應用
- Python 深度學習庫 Keras 簡介
- Python 深度學習庫 TensorFlow 簡介
- Python 深度學習庫 Theano 簡介
- 如何使用 Keras 函數式 API 進行深度學習
- Keras 深度學習庫的多類分類教程
- 多層感知器神經網絡速成課程
- 基于卷積神經網絡的 Keras 深度學習庫中的目標識別
- 流行的深度學習庫
- 用深度學習預測電影評論的情感
- Python 中的 Keras 深度學習庫的回歸教程
- 如何使用 Keras 獲得可重現的結果
- 如何在 Linux 服務器上運行深度學習實驗
- 保存并加載您的 Keras 深度學習模型
- 用 Keras 逐步開發 Python 中的第一個神經網絡
- 用 Keras 理解 Python 中的有狀態 LSTM 循環神經網絡
- 在 Python 中使用 Keras 深度學習模型和 Scikit-Learn
- 如何使用預訓練的 VGG 模型對照片中的物體進行分類
- 在 Python 和 Keras 中對深度學習模型使用學習率調度
- 如何在 Keras 中可視化深度學習神經網絡模型
- 什么是深度學習?
- 何時使用 MLP,CNN 和 RNN 神經網絡
- 為什么用隨機權重初始化神經網絡?
- Machine Learning Mastery 深度學習 NLP 教程
- 深度學習在自然語言處理中的 7 個應用
- 如何實現自然語言處理的波束搜索解碼器
- 深度學習文檔分類的最佳實踐
- 關于自然語言處理的熱門書籍
- 在 Python 中計算文本 BLEU 分數的溫和介紹
- 使用編碼器 - 解碼器模型的用于字幕生成的注入和合并架構
- 如何用 Python 清理機器學習的文本
- 如何配置神經機器翻譯的編碼器 - 解碼器模型
- 如何開始深度學習自然語言處理(7 天迷你課程)
- 自然語言處理的數據集
- 如何開發一種深度學習的詞袋模型來預測電影評論情感
- 深度學習字幕生成模型的溫和介紹
- 如何在 Keras 中定義神經機器翻譯的編碼器 - 解碼器序列 - 序列模型
- 如何利用小實驗在 Keras 中開發字幕生成模型
- 如何從頭開發深度學習圖片標題生成器
- 如何在 Keras 中開發基于字符的神經語言模型
- 如何開發用于情感分析的 N-gram 多通道卷積神經網絡
- 如何從零開始開發神經機器翻譯系統
- 如何在 Python 中用 Keras 開發基于單詞的神經語言模型
- 如何開發一種預測電影評論情感的詞嵌入模型
- 如何使用 Gensim 在 Python 中開發詞嵌入
- 用于文本摘要的編碼器 - 解碼器深度學習模型
- Keras 中文本摘要的編碼器 - 解碼器模型
- 用于神經機器翻譯的編碼器 - 解碼器循環神經網絡模型
- 淺談詞袋模型
- 文本摘要的溫和介紹
- 編碼器 - 解碼器循環神經網絡中的注意力如何工作
- 如何利用深度學習自動生成照片的文本描述
- 如何開發一個單詞級神經語言模型并用它來生成文本
- 淺談神經機器翻譯
- 什么是自然語言處理?
- 牛津自然語言處理深度學習課程
- 如何為機器翻譯準備法語到英語的數據集
- 如何為情感分析準備電影評論數據
- 如何為文本摘要準備新聞文章
- 如何準備照片標題數據集以訓練深度學習模型
- 如何使用 Keras 為深度學習準備文本數據
- 如何使用 scikit-learn 為機器學習準備文本數據
- 自然語言處理神經網絡模型入門
- 對自然語言處理的深度學習的承諾
- 在 Python 中用 Keras 進行 LSTM 循環神經網絡的序列分類
- 斯坦福自然語言處理深度學習課程評價
- 統計語言建模和神經語言模型的簡要介紹
- 使用 Keras 在 Python 中進行 LSTM 循環神經網絡的文本生成
- 淺談機器學習中的轉換
- 如何使用 Keras 將詞嵌入層用于深度學習
- 什么是用于文本的詞嵌入
- Machine Learning Mastery 深度學習時間序列教程
- 如何開發人類活動識別的一維卷積神經網絡模型
- 人類活動識別的深度學習模型
- 如何評估人類活動識別的機器學習算法
- 時間序列預測的多層感知器網絡探索性配置
- 比較經典和機器學習方法進行時間序列預測的結果
- 如何通過深度學習快速獲得時間序列預測的結果
- 如何利用 Python 處理序列預測問題中的缺失時間步長
- 如何建立預測大氣污染日的概率預測模型
- 如何開發一種熟練的機器學習時間序列預測模型
- 如何構建家庭用電自回歸預測模型
- 如何開發多步空氣污染時間序列預測的自回歸預測模型
- 如何制定多站點多元空氣污染時間序列預測的基線預測
- 如何開發時間序列預測的卷積神經網絡模型
- 如何開發卷積神經網絡用于多步時間序列預測
- 如何開發單變量時間序列預測的深度學習模型
- 如何開發 LSTM 模型用于家庭用電的多步時間序列預測
- 如何開發 LSTM 模型進行時間序列預測
- 如何開發多元多步空氣污染時間序列預測的機器學習模型
- 如何開發多層感知器模型進行時間序列預測
- 如何開發人類活動識別時間序列分類的 RNN 模型
- 如何開始深度學習的時間序列預測(7 天迷你課程)
- 如何網格搜索深度學習模型進行時間序列預測
- 如何對單變量時間序列預測的網格搜索樸素方法
- 如何在 Python 中搜索 SARIMA 模型超參數用于時間序列預測
- 如何在 Python 中進行時間序列預測的網格搜索三次指數平滑
- 一個標準的人類活動識別問題的溫和介紹
- 如何加載和探索家庭用電數據
- 如何加載,可視化和探索復雜的多變量多步時間序列預測數據集
- 如何從智能手機數據模擬人類活動
- 如何根據環境因素預測房間占用率
- 如何使用腦波預測人眼是開放還是閉合
- 如何在 Python 中擴展長短期內存網絡的數據
- 如何使用 TimeseriesGenerator 進行 Keras 中的時間序列預測
- 基于機器學習算法的室內運動時間序列分類
- 用于時間序列預測的狀態 LSTM 在線學習的不穩定性
- 用于罕見事件時間序列預測的 LSTM 模型體系結構
- 用于時間序列預測的 4 種通用機器學習數據變換
- Python 中長短期記憶網絡的多步時間序列預測
- 家庭用電機器學習的多步時間序列預測
- Keras 中 LSTM 的多變量時間序列預測
- 如何開發和評估樸素的家庭用電量預測方法
- 如何為長短期記憶網絡準備單變量時間序列數據
- 循環神經網絡在時間序列預測中的應用
- 如何在 Python 中使用差異變換刪除趨勢和季節性
- 如何在 LSTM 中種子狀態用于 Python 中的時間序列預測
- 使用 Python 進行時間序列預測的有狀態和無狀態 LSTM
- 長短時記憶網絡在時間序列預測中的適用性
- 時間序列預測問題的分類
- Python 中長短期記憶網絡的時間序列預測
- 基于 Keras 的 Python 中 LSTM 循環神經網絡的時間序列預測
- Keras 中深度學習的時間序列預測
- 如何用 Keras 調整 LSTM 超參數進行時間序列預測
- 如何在時間序列預測訓練期間更新 LSTM 網絡
- 如何使用 LSTM 網絡的 Dropout 進行時間序列預測
- 如何使用 LSTM 網絡中的特征進行時間序列預測
- 如何在 LSTM 網絡中使用時間序列進行時間序列預測
- 如何利用 LSTM 網絡進行權重正則化進行時間序列預測
- Machine Learning Mastery 線性代數教程
- 機器學習數學符號的基礎知識
- 用 NumPy 陣列輕松介紹廣播
- 如何從 Python 中的 Scratch 計算主成分分析(PCA)
- 用于編碼器審查的計算線性代數
- 10 機器學習中的線性代數示例
- 線性代數的溫和介紹
- 用 NumPy 輕松介紹 Python 中的 N 維數組
- 機器學習向量的溫和介紹
- 如何在 Python 中為機器學習索引,切片和重塑 NumPy 數組
- 機器學習的矩陣和矩陣算法簡介
- 溫和地介紹機器學習的特征分解,特征值和特征向量
- NumPy 對預期價值,方差和協方差的簡要介紹
- 機器學習矩陣分解的溫和介紹
- 用 NumPy 輕松介紹機器學習的張量
- 用于機器學習的線性代數中的矩陣類型簡介
- 用于機器學習的線性代數備忘單
- 線性代數的深度學習
- 用于機器學習的線性代數(7 天迷你課程)
- 機器學習的線性代數
- 機器學習矩陣運算的溫和介紹
- 線性代數評論沒有廢話指南
- 學習機器學習線性代數的主要資源
- 淺談機器學習的奇異值分解
- 如何用線性代數求解線性回歸
- 用于機器學習的稀疏矩陣的溫和介紹
- 機器學習中向量規范的溫和介紹
- 學習線性代數用于機器學習的 5 個理由
- Machine Learning Mastery LSTM 教程
- Keras中長短期記憶模型的5步生命周期
- 長短時記憶循環神經網絡的注意事項
- CNN長短期記憶網絡
- 逆向神經網絡中的深度學習速成課程
- 可變長度輸入序列的數據準備
- 如何用Keras開發用于Python序列分類的雙向LSTM
- 如何開發Keras序列到序列預測的編碼器 - 解碼器模型
- 如何診斷LSTM模型的過度擬合和欠擬合
- 如何開發一種編碼器 - 解碼器模型,注重Keras中的序列到序列預測
- 編碼器 - 解碼器長短期存儲器網絡
- 神經網絡中爆炸梯度的溫和介紹
- 對時間反向傳播的溫和介紹
- 生成長短期記憶網絡的溫和介紹
- 專家對長短期記憶網絡的簡要介紹
- 在序列預測問題上充分利用LSTM
- 編輯器 - 解碼器循環神經網絡全局注意的溫和介紹
- 如何利用長短時記憶循環神經網絡處理很長的序列
- 如何在Python中對一個熱編碼序列數據
- 如何使用編碼器 - 解碼器LSTM來回顯隨機整數序列
- 具有注意力的編碼器 - 解碼器RNN體系結構的實現模式
- 學習使用編碼器解碼器LSTM循環神經網絡添加數字
- 如何學習長短時記憶循環神經網絡回聲隨機整數
- 具有Keras的長短期記憶循環神經網絡的迷你課程
- LSTM自動編碼器的溫和介紹
- 如何用Keras中的長短期記憶模型進行預測
- 用Python中的長短期內存網絡演示內存
- 基于循環神經網絡的序列預測模型的簡要介紹
- 深度學習的循環神經網絡算法之旅
- 如何重塑Keras中長短期存儲網絡的輸入數據
- 了解Keras中LSTM的返回序列和返回狀態之間的差異
- RNN展開的溫和介紹
- 5學習LSTM循環神經網絡的簡單序列預測問題的例子
- 使用序列進行預測
- 堆疊長短期內存網絡
- 什么是教師強制循環神經網絡?
- 如何在Python中使用TimeDistributed Layer for Long Short-Term Memory Networks
- 如何準備Keras中截斷反向傳播的序列預測
- 如何在使用LSTM進行訓練和預測時使用不同的批量大小
- Machine Learning Mastery 機器學習算法教程
- 機器學習算法之旅
- 用于機器學習的裝袋和隨機森林集合算法
- 從頭開始實施機器學習算法的好處
- 更好的樸素貝葉斯:從樸素貝葉斯算法中獲取最多的12個技巧
- 機器學習的提升和AdaBoost
- 選擇機器學習算法:Microsoft Azure的經驗教訓
- 機器學習的分類和回歸樹
- 什么是機器學習中的混淆矩陣
- 如何使用Python從頭開始創建算法測試工具
- 通過創建機器學習算法的目標列表來控制
- 從頭開始停止編碼機器學習算法
- 在實現機器學習算法時,不要從開源代碼開始
- 不要使用隨機猜測作為基線分類器
- 淺談機器學習中的概念漂移
- 溫和介紹機器學習中的偏差 - 方差權衡
- 機器學習的梯度下降
- 機器學習算法如何工作(他們學習輸入到輸出的映射)
- 如何建立機器學習算法的直覺
- 如何實現機器學習算法
- 如何研究機器學習算法行為
- 如何學習機器學習算法
- 如何研究機器學習算法
- 如何研究機器學習算法
- 如何在Python中從頭開始實現反向傳播算法
- 如何用Python從頭開始實現Bagging
- 如何用Python從頭開始實現基線機器學習算法
- 如何在Python中從頭開始實現決策樹算法
- 如何用Python從頭開始實現學習向量量化
- 如何利用Python從頭開始隨機梯度下降實現線性回歸
- 如何利用Python從頭開始隨機梯度下降實現Logistic回歸
- 如何用Python從頭開始實現機器學習算法表現指標
- 如何在Python中從頭開始實現感知器算法
- 如何在Python中從零開始實現隨機森林
- 如何在Python中從頭開始實現重采樣方法
- 如何用Python從頭開始實現簡單線性回歸
- 如何用Python從頭開始實現堆棧泛化(Stacking)
- K-Nearest Neighbors for Machine Learning
- 學習機器學習的向量量化
- 機器學習的線性判別分析
- 機器學習的線性回歸
- 使用梯度下降進行機器學習的線性回歸教程
- 如何在Python中從頭開始加載機器學習數據
- 機器學習的Logistic回歸
- 機器學習的Logistic回歸教程
- 機器學習算法迷你課程
- 如何在Python中從頭開始實現樸素貝葉斯
- 樸素貝葉斯機器學習
- 樸素貝葉斯機器學習教程
- 機器學習算法的過擬合和欠擬合
- 參數化和非參數機器學習算法
- 理解任何機器學習算法的6個問題
- 在機器學習中擁抱隨機性
- 如何使用Python從頭開始擴展機器學習數據
- 機器學習的簡單線性回歸教程
- 有監督和無監督的機器學習算法
- 用于機器學習的支持向量機
- 在沒有數學背景的情況下理解機器學習算法的5種技術
- 最好的機器學習算法
- 教程從頭開始在Python中實現k-Nearest Neighbors
- 通過從零開始實現它們來理解機器學習算法(以及繞過壞代碼的策略)
- 使用隨機森林:在121個數據集上測試179個分類器
- 為什么從零開始實現機器學習算法
- Machine Learning Mastery 機器學習入門教程
- 機器學習入門的四個步驟:初學者入門與實踐的自上而下策略
- 你應該培養的 5 個機器學習領域
- 一種選擇機器學習算法的數據驅動方法
- 機器學習中的分析與數值解
- 應用機器學習是一種精英政治
- 機器學習的基本概念
- 如何成為數據科學家
- 初學者如何在機器學習中弄錯
- 機器學習的最佳編程語言
- 構建機器學習組合
- 機器學習中分類與回歸的區別
- 評估自己作為數據科學家并利用結果建立驚人的數據科學團隊
- 探索 Kaggle 大師的方法論和心態:對 Diogo Ferreira 的采訪
- 擴展機器學習工具并展示掌握
- 通過尋找地標開始機器學習
- 溫和地介紹預測建模
- 通過提供結果在機器學習中獲得夢想的工作
- 如何開始機器學習:自學藍圖
- 開始并在機器學習方面取得進展
- 應用機器學習的 Hello World
- 初學者如何使用小型項目開始機器學習并在 Kaggle 上進行競爭
- 我如何開始機器學習? (簡短版)
- 我是如何開始機器學習的
- 如何在機器學習中取得更好的成績
- 如何從在銀行工作到擔任 Target 的高級數據科學家
- 如何學習任何機器學習工具
- 使用小型目標項目深入了解機器學習工具
- 獲得付費申請機器學習
- 映射機器學習工具的景觀
- 機器學習開發環境
- 機器學習金錢
- 程序員的機器學習
- 機器學習很有意思
- 機器學習是 Kaggle 比賽
- 機器學習現在很受歡迎
- 機器學習掌握方法
- 機器學習很重要
- 機器學習 Q& A:概念漂移,更好的結果和學習更快
- 缺乏自學機器學習的路線圖
- 機器學習很重要
- 快速了解任何機器學習工具(即使您是初學者)
- 機器學習工具
- 找到你的機器學習部落
- 機器學習在一年
- 通過競爭一致的大師 Kaggle
- 5 程序員在機器學習中開始犯錯誤
- 哲學畢業生到機器學習從業者(Brian Thomas 采訪)
- 機器學習入門的實用建議
- 實用機器學習問題
- 使用來自 UCI 機器學習庫的數據集練習機器學習
- 使用秘籍的任何機器學習工具快速啟動
- 程序員可以進入機器學習
- 程序員應該進入機器學習
- 項目焦點:Shashank Singh 的人臉識別
- 項目焦點:使用 Mahout 和 Konstantin Slisenko 進行堆棧交換群集
- 機器學習自學指南
- 4 個自學機器學習項目
- álvaroLemos 如何在數據科學團隊中獲得機器學習實習
- 如何思考機器學習
- 現實世界機器學習問題之旅
- 有關機器學習的有用知識
- 如果我沒有學位怎么辦?
- 如果我不是一個優秀的程序員怎么辦?
- 如果我不擅長數學怎么辦?
- 為什么機器學習算法會處理以前從未見過的數據?
- 是什么阻礙了你的機器學習目標?
- 什么是機器學習?
- 機器學習適合哪里?
- 為什么要進入機器學習?
- 研究對您來說很重要的機器學習問題
- 你這樣做是錯的。為什么機器學習不必如此困難
- Machine Learning Mastery Sklearn 教程
- Scikit-Learn 的溫和介紹:Python 機器學習庫
- 使用 Python 管道和 scikit-learn 自動化機器學習工作流程
- 如何以及何時使用帶有 scikit-learn 的校準分類模型
- 如何比較 Python 中的機器學習算法與 scikit-learn
- 用于機器學習開發人員的 Python 崩潰課程
- 用 scikit-learn 在 Python 中集成機器學習算法
- 使用重采樣評估 Python 中機器學習算法的表現
- 使用 Scikit-Learn 在 Python 中進行特征選擇
- Python 中機器學習的特征選擇
- 如何使用 scikit-learn 在 Python 中生成測試數據集
- scikit-learn 中的機器學習算法秘籍
- 如何使用 Python 處理丟失的數據
- 如何開始使用 Python 進行機器學習
- 如何使用 Scikit-Learn 在 Python 中加載數據
- Python 中概率評分方法的簡要介紹
- 如何用 Scikit-Learn 調整算法參數
- 如何在 Mac OS X 上安裝 Python 3 環境以進行機器學習和深度學習
- 使用 scikit-learn 進行機器學習簡介
- 從 shell 到一本帶有 Fernando Perez 單一工具的書的 IPython
- 如何使用 Python 3 為機器學習開發創建 Linux 虛擬機
- 如何在 Python 中加載機器學習數據
- 您在 Python 中的第一個機器學習項目循序漸進
- 如何使用 scikit-learn 進行預測
- 用于評估 Python 中機器學習算法的度量標準
- 使用 Pandas 為 Python 中的機器學習準備數據
- 如何使用 Scikit-Learn 為 Python 機器學習準備數據
- 項目焦點:使用 Artem Yankov 在 Python 中進行事件推薦
- 用于機器學習的 Python 生態系統
- Python 是應用機器學習的成長平臺
- Python 機器學習書籍
- Python 機器學習迷你課程
- 使用 Pandas 快速和骯臟的數據分析
- 使用 Scikit-Learn 重新調整 Python 中的機器學習數據
- 如何以及何時使用 ROC 曲線和精確調用曲線進行 Python 分類
- 使用 scikit-learn 在 Python 中保存和加載機器學習模型
- scikit-learn Cookbook 書評
- 如何使用 Anaconda 為機器學習和深度學習設置 Python 環境
- 使用 scikit-learn 在 Python 中進行 Spot-Check 分類機器學習算法
- 如何在 Python 中開發可重復使用的抽樣檢查算法框架
- 使用 scikit-learn 在 Python 中進行 Spot-Check 回歸機器學習算法
- 使用 Python 中的描述性統計來了解您的機器學習數據
- 使用 OpenCV,Python 和模板匹配來播放“哪里是 Waldo?”
- 使用 Pandas 在 Python 中可視化機器學習數據
- Machine Learning Mastery 統計學教程
- 淺談計算正態匯總統計量
- 非參數統計的溫和介紹
- Python中常態測試的溫和介紹
- 淺談Bootstrap方法
- 淺談機器學習的中心極限定理
- 淺談機器學習中的大數定律
- 機器學習的所有統計數據
- 如何計算Python中機器學習結果的Bootstrap置信區間
- 淺談機器學習的Chi-Squared測試
- 機器學習的置信區間
- 隨機化在機器學習中解決混雜變量的作用
- 機器學習中的受控實驗
- 機器學習統計學速成班
- 統計假設檢驗的關鍵值以及如何在Python中計算它們
- 如何在機器學習中談論數據(統計學和計算機科學術語)
- Python中數據可視化方法的簡要介紹
- Python中效果大小度量的溫和介紹
- 估計隨機機器學習算法的實驗重復次數
- 機器學習評估統計的溫和介紹
- 如何計算Python中的非參數秩相關性
- 如何在Python中計算數據的5位數摘要
- 如何在Python中從頭開始編寫學生t檢驗
- 如何在Python中生成隨機數
- 如何轉換數據以更好地擬合正態分布
- 如何使用相關來理解變量之間的關系
- 如何使用統計信息識別數據中的異常值
- 用于Python機器學習的隨機數生成器簡介
- k-fold交叉驗證的溫和介紹
- 如何計算McNemar的比較兩種機器學習量詞的測試
- Python中非參數統計顯著性測試簡介
- 如何在Python中使用參數統計顯著性測試
- 機器學習的預測間隔
- 應用統計學與機器學習的密切關系
- 如何使用置信區間報告分類器表現
- 統計數據分布的簡要介紹
- 15 Python中的統計假設檢驗(備忘單)
- 統計假設檢驗的溫和介紹
- 10如何在機器學習項目中使用統計方法的示例
- Python中統計功效和功耗分析的簡要介紹
- 統計抽樣和重新抽樣的簡要介紹
- 比較機器學習算法的統計顯著性檢驗
- 機器學習中統計容差區間的溫和介紹
- 機器學習統計書籍
- 評估機器學習模型的統計數據
- 機器學習統計(7天迷你課程)
- 用于機器學習的簡明英語統計
- 如何使用統計顯著性檢驗來解釋機器學習結果
- 什么是統計(為什么它在機器學習中很重要)?
- Machine Learning Mastery 時間序列入門教程
- 如何在 Python 中為時間序列預測創建 ARIMA 模型
- 用 Python 進行時間序列預測的自回歸模型
- 如何回溯機器學習模型的時間序列預測
- Python 中基于時間序列數據的基本特征工程
- R 的時間序列預測熱門書籍
- 10 挑戰機器學習時間序列預測問題
- 如何將時間序列轉換為 Python 中的監督學習問題
- 如何將時間序列數據分解為趨勢和季節性
- 如何用 ARCH 和 GARCH 模擬波動率進行時間序列預測
- 如何將時間序列數據集與 Python 區分開來
- Python 中時間序列預測的指數平滑的溫和介紹
- 用 Python 進行時間序列預測的特征選擇
- 淺談自相關和部分自相關
- 時間序列預測的 Box-Jenkins 方法簡介
- 用 Python 簡要介紹時間序列的時間序列預測
- 如何使用 Python 網格搜索 ARIMA 模型超參數
- 如何在 Python 中加載和探索時間序列數據
- 如何使用 Python 對 ARIMA 模型進行手動預測
- 如何用 Python 進行時間序列預測的預測
- 如何使用 Python 中的 ARIMA 進行樣本外預測
- 如何利用 Python 模擬殘差錯誤來糾正時間序列預測
- 使用 Python 進行數據準備,特征工程和時間序列預測的移動平均平滑
- 多步時間序列預測的 4 種策略
- 如何在 Python 中規范化和標準化時間序列數據
- 如何利用 Python 進行時間序列預測的基線預測
- 如何使用 Python 對時間序列預測數據進行功率變換
- 用于時間序列預測的 Python 環境
- 如何重構時間序列預測問題
- 如何使用 Python 重新采樣和插值您的時間序列數據
- 用 Python 編寫 SARIMA 時間序列預測
- 如何在 Python 中保存 ARIMA 時間序列預測模型
- 使用 Python 進行季節性持久性預測
- 基于 ARIMA 的 Python 歷史規模敏感性預測技巧分析
- 簡單的時間序列預測模型進行測試,這樣你就不會欺騙自己
- 標準多變量,多步驟和多站點時間序列預測問題
- 如何使用 Python 檢查時間序列數據是否是固定的
- 使用 Python 進行時間序列數據可視化
- 7 個機器學習的時間序列數據集
- 時間序列預測案例研究與 Python:波士頓每月武裝搶劫案
- Python 的時間序列預測案例研究:巴爾的摩的年度用水量
- 使用 Python 進行時間序列預測研究:法國香檳的月銷售額
- 使用 Python 的置信區間理解時間序列預測不確定性
- 11 Python 中的經典時間序列預測方法(備忘單)
- 使用 Python 進行時間序列預測表現測量
- 使用 Python 7 天迷你課程進行時間序列預測
- 時間序列預測作為監督學習
- 什么是時間序列預測?
- 如何使用 Python 識別和刪除時間序列數據的季節性
- 如何在 Python 中使用和刪除時間序列數據中的趨勢信息
- 如何在 Python 中調整 ARIMA 參數
- 如何用 Python 可視化時間序列殘差預測錯誤
- 白噪聲時間序列與 Python
- 如何通過時間序列預測項目
- Machine Learning Mastery XGBoost 教程
- 通過在 Python 中使用 XGBoost 提前停止來避免過度擬合
- 如何在 Python 中調優 XGBoost 的多線程支持
- 如何配置梯度提升算法
- 在 Python 中使用 XGBoost 進行梯度提升的數據準備
- 如何使用 scikit-learn 在 Python 中開發您的第一個 XGBoost 模型
- 如何在 Python 中使用 XGBoost 評估梯度提升模型
- 在 Python 中使用 XGBoost 的特征重要性和特征選擇
- 淺談機器學習的梯度提升算法
- 應用機器學習的 XGBoost 簡介
- 如何在 macOS 上為 Python 安裝 XGBoost
- 如何在 Python 中使用 XGBoost 保存梯度提升模型
- 從梯度提升開始,比較 165 個數據集上的 13 種算法
- 在 Python 中使用 XGBoost 和 scikit-learn 進行隨機梯度提升
- 如何使用 Amazon Web Services 在云中訓練 XGBoost 模型
- 在 Python 中使用 XGBoost 調整梯度提升的學習率
- 如何在 Python 中使用 XGBoost 調整決策樹的數量和大小
- 如何在 Python 中使用 XGBoost 可視化梯度提升決策樹
- 在 Python 中開始使用 XGBoost 的 7 步迷你課程