促使深度学习发展的挑战(二十二)
1. 定位导航前 7 篇(15-21)建立了传统机器学习的完整框架:三要素 → 容量 → 正则化 → 超参数 → MLE → 具体算法 → SGD。但有个更根本的问题还没回答:为什么需要深度学习?简单算法(线性回归、SVM、k-NN、决策树)在很多经典问题上表现很好,但在人工智能级任务(图像识别、语音识别、自然语言理解)上彻底失败。本章收官篇剖析这个失败的三个核心原因:维数灾难(Curse of Dimensionality):高维空间中样本稀疏局部不变性先验的局限:传统方法依赖"相邻输入对应相似输出"流形假设(Manifold Hypothesis):现实数据高度集中在低维流形理解这三者,就能理解为什么深度学习是 AI 级任务的必然选择。2. 维数灾难(Curse of Dimensionality)2.1 概念解释维数灾难:当变量维度dd
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2532522.html
如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!