吴恩达2022机器学习专项课程C2(高级学习算法)W1(神经网络):2.1神经元与大脑

本文主要是介绍吴恩达2022机器学习专项课程C2(高级学习算法)W1(神经网络):2.1神经元与大脑,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!

目录

  • 神经网络
    • 1.初始动机*
    • 2.发展历史
    • 3.深度学习*
    • 4.应用历程
  • 生物神经元
    • 1.基本功能
    • 2.神经元的互动方式
    • 3.信号传递与思维形成
    • 4.神经网络的形成
  • 生物神经元简化
    • 1.生物神经元的结构
    • 2.信号传递过程
    • 3.生物学术语与人工神经网络
  • 人工神经元*
    • 1.模型简化
    • 2.人工神经网络的构建
    • 3.计算和输入
  • 人工神经元vs生物神经元
    • 1.人脑知识的局限性
    • 2.深度学习的研究方向*
  • 神经网络兴起的原因*
    • 1.历史背景
    • 2.两个因素
  • 总结

神经网络

1.初始动机*

神经网络有时也叫人工神经网络,初衷为了模拟人脑或生物大脑的学习和思考方式。现代神经网络虽与初衷有别,但仍保留一些模拟大脑的生物学动机。

2.发展历史

  • 1950年代:神经网络的研究起始。
  • 1980年代和1990年代:神经网络重新流行,并在应用技术如手写数字识别中展现出巨大潜力,被应用于实际问题如邮政编码读取和支票金额解析。
  • 1990年代末:一度再次失宠。
  • 2005年起:神经网络技术复兴并开始与“深度学习”这一术语相结合,重新获得关注。

3.深度学习*

随着时间推移,神经网络技术进化并被普遍称为“深度学习”,这一新名称使其在学术和工业界得到更广泛认可和应用。

4.应用历程

  • 语音识别:先是深度学习技术显著提高了语音识别系统的性能,其中Waibel和Geoff Hinton在此领域做出了重要贡献。
  • 计算机视觉:然后在2012年的ImageNet竞赛成为深度学习在计算机视觉领域的重要转折点,极大地推动了这一技术的发展。
  • 自然语言处理:随后,神经网络技术也开始广泛应用于文本处理和自然语言理解领域。

生物神经元

在这里插入图片描述

1.基本功能

神经元是大脑中的基本工作单元,负责处理和传递信息。它通过电信号进行通信,这些信号可以在神经元之间传递。

2.神经元的互动方式

神经元拥有多个输入端(树突),这些输入端接收来自其他神经元的电信号,接收到的信号在神经元内部被处理(计算),然后通过输出端(轴突)将信号发送出去。

3.信号传递与思维形成

一个神经元的输出可以成为另一个神经元的输入,形成复杂的神经网络,这种神经元间的互动和信号传递是人类思维和认知功能的基础。

4.神经网络的形成

神经元有时会形成新的连接,这种可塑性是学习和记忆的生物学基础。

生物神经元简化

在这里插入图片描述

1.生物神经元的结构

  • 细胞体:神经元的主体部分,包含细胞核,是处理信息的中心。
  • 树突:接收来自其他神经元的信号的输入结构。
  • 轴突:从神经元传出信号到其他神经元的输出结构,通过电脉冲形式传递信号。

2.信号传递过程

神经元通过树突接收电信号,经过细胞体的处理后,通过轴突发送到其他神经元。

3.生物学术语与人工神经网络

虽然了解这些生物学术语有助于理解神经元的工作原理,但在设计和理解人工神经网络时,不必深入了解所有这些细节。

人工神经元*

在这里插入图片描述

1.模型简化

人工神经网络使用简化的数学模型来模拟生物神经元的功能。

2.人工神经网络的构建

在构建人工神经网络或深度学习算法时,通常会模拟多个神经元共同工作,传递和处理信息以实现特定功能。

3.计算和输入

一组神经元接收输入数据,进行计算,然后输出新的数据,这些数据可用于下一组神经元的输入或作为最终结果输出。

人工神经元vs生物神经元

1.人脑知识的局限性

尽管人工神经网络设计受生物神经元启发,但对人脑的理解仍有限。盲目模仿难以构建真正的原始智能,需要继续探索大脑的新工作机制。

2.深度学习的研究方向*

深度学习研究已从生物学启发转向基于工程原理,人们能更有效地使用数学和计算模型开发算法。

神经网络兴起的原因*

在这里插入图片描述

1.历史背景

随着互联网和移动通信的普及,社会的数字化程度显著提高,某些领域的数据量急剧增加。

2.两个因素

  • 当使用大数据训练更大更复杂的神经网络模型时,其性能会显著的不断提高,尤其在处理复杂问题(如语音识别、图像识别和自然语言处理)时,表现远超传统模型。
  • GPU或图形处理器单元的崛起,使计算机更快的处理数据。

总结

神经网络最初的动机是模拟人脑或生物大脑工作,现在的神经网络与初衷的差异很大,主要关注于工程原理而不是生物学,但仍保留一些生物大脑工作方式。神经网络一般由多个神经元组成,这些神经元用于接收数据输入并计算输出结果。由于数字化时代,数据量暴增,传统机器学习模型处理数据的性能变差,因此需要构建更复杂的神经网络处理数据。

这篇关于吴恩达2022机器学习专项课程C2(高级学习算法)W1(神经网络):2.1神经元与大脑的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/959560

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]