目錄

1、深度學習與機器學習的區別：?

2、機器學習流程：

3、深度學習：

4、特征工程的作用：(特征工程要更重要)

5、如何提取特征：

?6、計算機視覺面臨的挑戰：

---

1、深度學習與機器學習的區別：?

深度學習最大的優勢就是不用我們自己去選特征了，AI領域最大的難題就是怎么去提特征。但是深度學習是一個端到端的，一條龍服務，由輸入到輸出，過程不需要我們管，深度學習的優勢就體現在這里，中間所有過程你不需要去管了。(把神經網絡當做一個特征提取器，特征是非常重要的)

深度學習缺點：在去建模的時候，對于分析方面的需求不是很滿足，他一般是得到一個輸出結果。

2、機器學習流程：

• （1）數據獲取
• （2）特征工程(hard)
• （3）建立模型
• （4）評估與應用

3、深度學習：

拿到數據之后，讓這個網絡去學習一下什么樣的特征是比較合適的，該怎樣組合是比較合適的，這是深度學習與人工智能更接近的地方，不用人為的去選擇特征。(深度學習是機器學習的一部分也是最核心的一部分，其中最大的解決了特征工程的問題)

4、特征工程的作用：(特征工程要更重要)

1. 數據特征決定了模型的上限。
2. 預處理和特征提取是最核心的。
3. 算法與參數選擇決定了如何逼近這個上限。

5、如何提取特征：

?神經網絡這個大黑盒子(雖然他是一個黑盒子，但是我們得知道他其中的每一個細節是如何去做的)，能夠自動的對數據進行特征提取。計算機去學習什么樣的特征他覺得是最合適的。

------------------------深度學習解決的核心問題是怎么樣去提特征。--------------------

?6、計算機視覺面臨的挑戰：

1. 照射角度
2. 形狀改變
3. 部分遮蔽
4. 背景混入

?

總結

以上是生活随笔為你收集整理的网络模型：（0）背景的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。