深度学习及其应用-机器学习学术报告.doc

深度学习及其应用:机器学习学术报告 篇一：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 amp; 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 amp; 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 amp; 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 amp; 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