深度学习扫盲笔记
第一章：概述
深度学习：机器学习含有多个隐藏层
有监督的：卷积，循环，递归
无监督的：生成式
类别标签：
ground truth：表示直接收集到的数据
使用sklearn进行训练集，测试集的拆分：留出法和k折交叉验证，分层抽样策略
超参数：不变的，调节超参数找到能使模型取得较好性能的超参数
第二章：特征工程
目的是最大限度地从原始数据中提取特征以供算法和模型使用
1：概述
数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已；
自然语言处理：自动分词，词性标注，句法分析
Text Process API：情感分析
Jieba：中文语言处理
2：向量空间模型及文本相似度计算
未来便于计算文档之间的相识度，需把文档转换成统一空间的向量；
1：BOW假设（存在模型）：为了计算文档之间的相似度，假设可以忽略文档内的单词顺序和语法，句法等要素，将其仅仅看做是若干个词汇的集合；
2：VSM模型（向量空间模型）：即向量空间模型，其是指在BOW词袋模型假设下，将每个文档表示成同一个向量空间的向量；
3：文档之间的欧式距离
欧式距离是一个通常采用的距离算法，指在N维空间中两个点之间的真实距离
公式：
4：文档之间的余弦相似度
余弦相似度，是通过计算两个向量的夹角余弦值来评估他们的相识度；
余弦值越接近，表名夹角越接近0度，也就是两个向量越相似，这就叫预先相识度；
公式：
3：特征处理
1：特征缩放
或称无量纲处理。主要是对每个列，即同一特征维度的数值进行规范化处理。
应用背景：
不同特征（列》可能不属于同一量纲，即特征的规格不一样。例如。假设特征向量由两个解释变量构成，第一个变量值范图[0.1]-第二个变量值范图[O,100]
如果某一特征的方差数量级较大，可能会主导目标函数，导致其他特征的影响被忽略
常用方法：
标准化法
区间缩放法
标准化：方程和标准差
2：特征选择
特征值的归一化：或称规范化
归一化是依照特征矩阵的行（样本）处理数据，其目的在于样本向量在点乘运算或计算相似性时，拥有统一的标准，也就是说都转化为单位向量，即使每个样本的范式等于1；
规则为L1 norm的归一化公式如下：
规则为 L2 norm的归一化公式如下：
什么是特征选择？选择对于学习任务（如分类问题）有帮助的若干特征；
为什么要进行特征选择？1）降维以提升模型的效率；2）降低学习任务的难度；3）增加模型的可解释性；
特征选择的角度：
- 特征是否发散：对于不发散的特征，样本在其维度上差异性较小；
- 特征与目标的相关性：应当优先选择与目标相关性高的特征
特征选择的方法：
- 方差选择法
- 皮尔逊相关系数法
- 基于森林的特征选择法
- 递归特征消除法
3：特征降维
特征降维——线性判别分析法（LDA）
降维本质上是从一个维度空间映射到另一个维度空间；
线性判别分析（LDA）是一种监督学习的降维技术，即数据集的每个样本有类别的输出
LDA的基本思想：投影后类内的方差最小，类见方差最大。即将数据在低维度上进行投影，投影后希望同类数据的投影点尽可能接近，而不同类型的类别中心之间的距离尽可能的大；
第三章：回归问题及正则化
1：线性回归
区别：
- 分类：使用训练集推断输出x所对应的离散类别（如+1，-1）
- 回归：使用训练集推断输出x所对应的输出值，为连续实数。
联系：
- 利用回归模型进行分类：可将回归模型的输出离散化以进行分类，即 $y=sign(f(x))$
- 利用分类模型进行回归：也可利用分类模型的特点，输出其连续化的数值；
线性模型：
- 狭义线性模型：通常指自变量与因变量之间按比例，成直线的关系，在数学上可理解为一阶导数为常数的函数 如$y=n^Tx$ ；线性通常表现为一次曲线；
- 广义线性（GLM）：是线程模型的扩展，主要通过联结函数$g()$ 使预测值落在响应变量的变幅内，例如逻辑回归
$h(x)=g(nTx)=1/(1+e(-n^Tx))$；括号内为线性函数；
梯度下降法
沿着损失函数梯度下降的方向，寻找损失函数的最小值，得到最优解
2：多元回归
西瓜的价格取决于多种因素
3：损失函数的正则化
抑制过拟合
4：逻辑回归
使用sigmoid函数
垃圾短信分类
第四章：信息熵及梯度计算
1：熵
2：反向传播（BP）与梯度
从输出节点开始，将误差信号沿着原来的连接通路返回，通过修改各层神经元的连接权值，使误差信号减至最小。
3：感知机
第五章：循环神经网络（RNN）
1：概念
隐藏层节点之间是有连接的，考虑上下文内容
RNN序列处理
2：长短时记忆网络（LSTM）
标准的无法捕捉长期状态
3：双向RNN，注意力模型
双向RNN
注意力模型：集中到重要
第六章：卷积与卷积网络
卷积使原始信号的特征被增强
对图像和滤波矩阵做内积的操作叫做卷积操作
卷积神经网络：特点
1：局部连接
局部相关性较高
局部连接，参数共享，子采样
2：参数共享
卷积核中是相同的，
3：多卷积核
也可以使用不同大小，不同数值的卷积核
4：池化处理
降采样处理，对不同位置的特征进行聚合统计，通常去对应位置的最大值（最大池化）平均值
LeNet-5
第七章：递归神经网络:
1：情感分析
（意见挖掘，倾向性分析）是对带有情感色彩的主观性文本进行分析，处理
现有的情感词典
生语料
2：词向量
3：递归神经网络
引入了张量层
第八章：生成式神经网络
1：自动编码器
无监督学习：聚类，自动编码器是一种无监督的神经网络模型
2：变分自动编码器
3：生成对抗网络
仿制者与鉴定师对抗，对抗时越来越强
