当前位置:首页 >> 计算机软件及应用 >> 机器学习——深度学习(Deep Learning)

机器学习——深度学习(Deep Learning)


机器学习——深度学习(Deep Learning)
分类: Machine Learning 2012-08-04 09:49 124336 人阅读 评论(65) 收藏 举报 algorithmclassificationfeaturesfunctionhierarchy

Deep Learning 是机器学习中一个非常接近 AI 的领域,其动机在于建立、模拟人脑进行分 析学习的神经网络, 最近研究了机器学习中一些深度学习的相关知识, 本文给出一些很有用 的资料和心得。

Key Words:有监督学习与无监督学习,分类、回归,密度估计、聚类,深度学习,Sparse DBN,

1. 有监督学习和无监督学习

给定一组数据(input,target)为 Z=(X,Y)。 有监督学习:最常见的是 regression & classification。 regression:Y 是实数 vector。回归问题,就是拟合(X,Y)的一条曲线,使得下式 cost function L 最小。

classification: Y 是一个 finite number, 可以看做类标号。 分类问题需要首先给定有 label 的数据训练分类器,故属于有监督学习过程。分类问题中,cost function L(X,Y)是 X 属于 类 Y 的概率的负对数。 ,其中 fi(X)=P(Y=i | X);

无监督学习:无监督学习的目的是学习一个 function f,使它可以描述给定数据的位置分布 P(Z)。 包括两种:density estimation & clustering. density estimation 就是密度估计,估计该数据在任意位置的分布密度 clustering 就是聚类,将 Z 聚集几类(如 K-Means),或者给出一个样本属于每一类的概 率。由于不需要事先根据训练数据去 train 聚类器,故属于无监督学习。 PCA 和很多 deep learning 算法都属于无监督学习。

2. 深度学习 Deep Learning 介绍 Depth 概念:depth: the length of the longest path from an input to an output. Deep Architecture 的三个特点:深度不足会出现问题;人脑具有一个深度结构(每深 入一层进行一次 abstraction,由 lower-layer 的 features 描述而成的 feature 构成,就是 上篇中提到的 feature hierarchy 问题,而且该 hierarchy 是一个稀疏矩阵);认知过程逐 层进行,逐步抽象 3 篇文章介绍 Deep Belief Networks,作为 DBN 的 breakthrough

3.Deep Learning Algorithm 的核心思想: 把 learning hierarchy 看做一个 network,则 ①无监督学习用于每一层网络的 pre-train; ②每次用无监督学习只训练一层,将其训练结果作为其 higher 一层的输入; ③用监督学习去调整所有层 这里不负责任地理解下,举个例子在 Autoencoder 中,无监督学习学的是 feature,有监督学
习用在 fine-tuning. 比如每一个 neural network 学出的 hidden layer 就是 feature,作为下一次神经网

络无监督学习的 input……这样一次次就学出了一个 deep 的网络, 每一层都是上一次学习的 hidden layer。 再用 softmax classifier 去 fine-tuning 这个 deep network 的系数。

这三个点是 Deep Learning Algorithm 的精髓,我在上一篇文章中也有讲到,其中第三部 分:Learning Features Hierachy & Sparse DBN 就讲了如何运用 Sparse DBN 进行 feature 学习。

4. Deep Learning 经典阅读材料:

?

The monograph or review paper Learning Deep Architectures for AI (Foundations & Trends in Machine Learning, 2009).

?

The ICML 2009 Workshop on Learning Feature Hierarchies webpage has a list of references.

? ?

The LISA public wiki has a reading list and a bibliography. Geoff Hinton has readings from last year’s NIPS tutorial.

阐述 Deep learning 主要思想的三篇文章:

?

Hinton, G. E., Osindero, S. and Teh, Y., A fast learning algorithm for deep belief netsNeural Computation 18:1527-1554, 2006

?

Yoshua Bengio, Pascal Lamblin, Dan Popovici and Hugo Larochelle, Greedy Layer-Wise Training of Deep Networks, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems 19 (NIPS 2006), pp. 153-160, MIT Press, 2007<比较了 RBM 和 Auto-encoder>

?

Marc’Aurelio Ranzato, Christopher Poultney, Sumit Chopra and Yann LeCun Efficient Learning of Sparse Representations with an Energy-Based Model, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems (NIPS 2006), MIT Press, 2007<将 稀疏自编码用于回旋结构(convolutional architecture)>

06 年后,大批 deep learning 文章涌现,感兴趣的可以看下大牛 Yoshua Bengio 的综述 Learning deep architectures for {AI},不过本文很长,很长…… 5. Deep Learning 工具—— Theano Theano 是 deep learning 的 Python 库, 要求首先熟悉 Python 语言和 numpy, 建议 读者先看 Theano basic tutorial,然后按照 Getting Started 下载相关数据并用 gradient descent 的方法进行学习。

学习了 Theano 的基本方法后,可以练习写以下几个算法: 有监督学习:

1. Logistic Regression - using Theano for something simple 2. Multilayer perceptron - introduction to layers 3. Deep Convolutional Network - a simplified version of LeNet5

无监督学习:

? ?

Auto Encoders, Denoising Autoencoders - description of autoencoders Stacked Denoising Auto-Encoders - easy steps into unsupervised
pre-training for deep nets

? ?

Restricted Boltzmann Machines - single layer generative RBM model Deep Belief Networks - unsupervised generative pre-training of stacked
RBMs followed by supervised fine-tuning

最后呢,推荐给大家基本 ML 的书籍:

? ?

Chris Bishop, “Pattern Recognition and Machine Learning”, 2007 Simon Haykin, “Neural Networks: a Comprehensive Foundation”, 2009 (3rd edition)

?

Richard O. Duda, Peter E. Hart and David G. Stork, “Pattern Classification”, 2001 (2nd edition)

关于 Machine Learning 更多的学习资料将继续更新,敬请关注本博客和新浪微博 Sophia_qing。

References: 1. Brief Introduction to ML for AI 2.Deep Learning Tutorial 3.A tutorial on deep learning - Video


赞助商链接
更多相关文档:
更多相关标签:
网站地图

文档资料共享网 nexoncn.com copyright ©right 2010-2020。
文档资料共享网内容来自网络,如有侵犯请联系客服。email:zhit325@126.com