标签：使用 过拟合 建模 岗位 好的 部分 讲座 img 自动
1.以往神经网络采用单或双隐层结构，虽然参照了生物上的神经元，但是从本质上来说还是数学，以函数嵌套形成。
2.通常使用的激活函数是连续可微(differentiable)的，sigmoid函数或者是右侧的，本质上是减少梯度的降低速度。
3.现在神经网络的层数在逐级增加，几千层的也比较常见。
4.机器学习普遍存在的问题就是过拟合，如果没有过拟合，那么就非常简单了。
增加学习复杂度->增强学习能力：
①增加隐藏层数的节点，即增加模型宽度；
②增加隐藏层的层数，即增加模型深度。
事实上，增加模型层数比增加单元数更加有效。
同时，增加模型的复杂度也是增加过拟合的风险，增加训练的困难：
①对于过拟合，使用大数据训练
②对于训练，使用更好的设备
当在很多层里传播时，误差函数梯度会分散，很难去使用BP算法，因为BP算法是要求梯度的。
以前的学习方法中，对于图片或者其他都有特征提取，特征是人为规定的，所以有特征工程，提取特征之后进行分类学习。
在深度学习中，特征提取是表示学习种自动进行的，就是输入图片直接出来结果，称为端到端的学习。
层到层的处理，特征转换，用到深度模型，深度模型又容易过拟合，难以训练，计算代价高。
所以针对上述三点：大数据，训练技巧，强有力的计算工具（GPU）。
那么对于上一点的大数据又eat big data，那么只能是足够的模型复杂度，对于线性模型来说，三千个数据和三千万个数据效果可能是一样的，所以就需要提高模型复杂度。
而复杂的模型就又回到了deep model上面。
1.层到层的处理
2.特征转换
3.足够的模型复杂度
从应用角度来说，在视频图像语音之外的很多任务上，深度神经网络并非最佳选择，甚至表现不佳，比如在很多Kaggle上，随机森林后者XGBoost表表现更好。
最后周老师还提到，现在随机森林这个方面刚刚开始还是有许多问题可以研究的。
1.目前的深度模型就是深度神经网络，深度学习也是指深度神经网络。
2.现在很多规律性质并非可微，通过可微构件建模最优。
3.机器学习中有很多不可微构建，无法通过BP训练。
所以目前寻找不需要梯度的算法来训练神经网络是需要的。
深度森林：
1.使用不可微的数模型，不通过BP训练。
2.超参数数目远少于DNN，易于训练
3.模型复杂度可以根据数目自定义确定，小数据也适用
4.在很多任务上性能接近或者超过DNN
可微是模型的根本弱点；放弃BP。
新型深度学习模型，例如基于非可微构建的、非神经网络深度模型的探索，可望成为新兴研究方向
关于这个支付套现的系统设计，发现深度森林比其他更好。
打破垄断。如果有DNN替代方案，那么垄断消失。
监督信息不完全:半监督学习、主动学习；
监督信息不具体：多示例学习、MIML
监督信息不精确：带噪学习、众包学习...
关于游戏模拟的，只给出部分关卡，对于未知的关卡进行比赛。
多样激励模型能自己主动去寻找，好奇心模型。
对于开放环境学习：阿尔法勾是因为环境不变，也就是围棋规则不变，如果改变那是赢不了的。
现在还出现了薪工作，信息标注岗位。
标签：使用 过拟合 建模 岗位 好的 部分 讲座 img 自动
原文地址：https://www.cnblogs.com/BlueBlueSea/p/10045882.html
