人工智能从入门到精通（11）-基本概念

本文主要是介绍人工智能从入门到精通（11）-基本概念，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

CNN,RNN ,DNN,LSTM

https://www.zhihu.com/question/34681168 CNN,RNN ,DNN

http://www.jianshu.com/p/9dc9f41f0b29 LSTM的理解
http://dataunion.org/11692.html cnn了解

卷积，卷积核，池化

http://www.jianshu.com/p/606a33ba04ff

one hot coding

例如，考虑一下的三个特征：["male", "female"]["from Europe", "from US", "from Asia"]["uses Firefox", "uses Chrome", "uses Safari", "uses Internet Explorer"]如果将上述特征用数字表示，效率会高很多。例如：["male", "from US", "uses Internet Explorer"] 表示为[0, 1, 3]["female", "from Asia", "uses Chrome"]表示为[1, 2, 1]但是，即使转化为数字表示后，上述数据也不能直接用在我们的分类器中。因为，分类器往往默认数据数据是连续的，并且是有序的。但是，按照我们上述的表示，数字并不是有序的，而是随机分配的。独热编码为了解决上述问题，其中一种可能的解决方法是采用独热编码（One-Hot Encoding）。独热编码即 One-Hot 编码，又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候，其中只有一位有效。例如：自然状态码为：000,001,010,011,100,101独热编码为：000001,000010,000100,001000,010000,100000可以这样理解，对于每一个特征，如果它有m个可能值，那么经过独热编码后，就变成了m个二元特征。并且，这些特征互斥，每次只有一个激活。因此，数据会变成稀疏的。这样做的好处主要有：解决了分类器不好处理属性数据的问题在一定程度上也起到了扩充特征的作用