机器学习理解PPT文档资料.pptVIP

机器学习理解及TensorFlow应用 识别手写数字为例 机器学习 计算机只能处理数字 算法如何理解 数字可以承载信息 案例 1 2 3 4 5 目录 特征举例 6 第一部分 机器学习 Part ONE AlphaGo 人脸识别 自动驾驶 量化金融 机器学习 现实应用 什么是学习 差 好 学习 不会 掌握 差变好 不会变掌握 学习前 学习后 结果 学习 学习的特点： 自身主动发生变化 普通程序：如果效果很差，一定是在人为条件下修改才变好。 机器学习：程序运行后，自发的产生变化，自动修改神经网络。 人类 机器 机器学习 学习的含义 过程 机器学习 区别 机器学习与传统程序 有学习能力 传统程序 无学习能力 传统的编程是人类自己积累经验 并将这些经验转换为规则或数学公式 然后就是用编程语言去表示这些规则和公式。 在进行机器学习时，人类不需要总结具体的规则或公式。 只需制订学习的步骤，然后将大量的数据输入给计算机。 计算机可以根据数据和人类提供的学习步骤自己总结经验，自动升级。 规则+数据=答案 答案+数据=规则 正确率没有变化 正确率不断提升 算法决定 演示 自动驾驶 学习前 学习后 目的：让计算机学会开车 案例 识别手写数字 当我给机器输入手写数字的图片时，机器告诉我这个图片是数字几 任务 实现 3 输入 输出 案例 当前用一个案例来讲解机器学习的过程，案例包括包括代码，运行演示，该任务的神经网络过程等等 第二部分 算法是什么 Part TWO 水果重量 水果价格 1 2 2 4 3 6 X Y Y = 2 * X 算法：输入数字与输出数字之间的关系 算法可以理解为公式 水果价格跟重量存在什么关系？ 如果重量等于4，那么价格是？ 价格是重量的两倍，这就是价格和水果重量的关系 这就是一个算法 用来处理水果重量和水果价格的关系 算法 什么是算法 引力公式 输入 M：物体1质量 m：物体2质量 r：两物体距离 G：引力常量 输出 F：引力 算法 算法 现实中例子 第三部分 数字可以承载信息 Part THREE 数字 承载信息 通过控制电阻数值，控制了灯泡亮度 此时，数字就包含着灯泡亮度的信息 例如：风扇按钮上的数字就是代表风量 第四部分 计算机只能处理数字 Part FOUR 计算机 自然世界 数字 计算机 只认识数字 图片信息 数字信息 计算机 识别手写数字 任务 数字是连通自然世界和计算机世界的渠道 第五部分 案例 Part FIVE 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.1 0.2 0.4 1 1 1 1 1 1 0.7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.2 0.5 0.9 0.9 1 1 1 1 1 1 1 1 0.6 0.1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.7 1 1 1 1 1 1 1 1 1 1 1 1 0.2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.4 1 1 0.9 0.5 0.5 0.5 0.5 0.7 1 1 1 1 0.2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.1 0.1 0.1 0 0 0 0 0.1 0.9 1 1 0.7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.3 0.9 1 1 0.6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.3 0.7 1 1 1 0.1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.4 0.8 1 1 1 1 0.8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.1 0.5 0.8 0.8 0.8 1 1 1 1 0.9 0.4 0.1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.2 0.9 1 1 1 1 1 1 1 1 0.7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.2 0.9 1 1 1 1 1