第一次作业 深度学习基础

视频心得

组员	视频心得
张天成	1.人工智能的资源和人才分布极不平衡，资源和人才大多集中在美国，因此美国在发展人工智能方面有着天然的优势。 2.人工智能的计算智能，感知智能，认知智能的演变一方面是人类科学发展对于学习的理解日益加深，另一方面是人类对人工智能的发展提出了更高的要求。 3.人工智能可运用到多个以人类活动为基础的高端领域，例如：金融，机器人，内容撰写等，但都必须以大量的数据为基础。人工智能即使有大量的数据作为后盾，但在该领域完成的活动也是有限的，因为人类的活动本身就是复杂的。 4.机器学习的方法来源于人类科学家制定的标准，改变了标准机器学习可能会造成混乱，机器学习的预期成功必须严谨逻辑标准我们人类也可以借鉴机器学习的方法来理解自己难以接受的知识，但不要过于追求机器学习的效率。 5.深度学习通过模拟复杂的神经网络大大提高了机器学习的学习效率且降低了学习错误率，但随着网络深度的加深许多学习的过程越来越超出人类理解的范畴，对于得出结论在没有达到深度学习100%正确的基础上无法完全相信。
郑中康	第一个视频介绍了人工智能的发展，前景，政策，以及人工智能是什么，介绍了人工智能发展的六个阶段。我了解到了人工智能包括计算 感知 认知层面，并且人工智能包括机器学习，机器学习包括深度学习。而机器学习是实现人工智能最主要的一类方法。机器学习解决了对问题进行建模的问题和建立目标函数的问题。我了解到机器学习是从模型来分类的，并认识到各类模型是如何区分的，最后学习了深度学习，深度学习大部分都是依靠深度神经网络实现的，深度学习是实现机器学习的手段。并了解了传统机器学习和深度学习的区别。 第二个视频介绍深度学习的基础共性问题，我认识到了深度学习的几点“不能”，学习了神经网络与生物神经元的共性。并了解了单层感知器与多层感知器，学习通过单层与多层感知器来实现逻辑关系，同时学习到了神经网络深度学习中一个很重要的定理，万有逼近定理。最后学习了神经网络每一层的作用。了解了神经网络中梯度问题和深度学习中的各种训练与解决梯度消失的方法。
尹鹏辉	绪论视频主要讲述了人工智能的现状，人工智能的发展，机器学习以及简单的深度学习介绍。主要介绍机器学习分为确定假设空间，确定目标函数和求解模型参数三个步骤。第一步是对问题的建模，主要从三个方面来对模型分类。深度学习概述视频主要讲了浅层神经网络，单层感知器，多层感知器，万有逼近定理，反向传播，梯度消失，逐层预训练，自编码器和受限玻尔兹曼机。
罗浩宇	人工智能的基础之一是算法。人工智能的核心是算法。大数据是资源基础，无论使用深度学习还是统计算法，都必须有大量的数据。在许多意见不能表达的情况下，大数据的性质就是这些表达的缺失。因此，有数据才有训练，才有智能；没有数据就没有训练，就没有智能。从“人工+智能”向自主智能系统发展。当前人工智能领域的大量研究集中在深度学习，但是深度学习的局限是需要大量人工干预，比如人工设计深度神经网络模型、人工设定应用场景、人工采集和标注大量训练数据、用户需要人工适配智能系统等，非常费时费力。应该开始关注减少人工干预的自主智能方法，提高机器智能对环境的自主学习能力。
张克猛	第一个视频先从过去几年各个国家对人工智能人才的紧缺和各国对人工智能的重视展开介绍了人工智能的起源、发展，紧接着了解到人工智能包括计算、感知、认知三个层面，人工智能>机器学习>深度学习，机器学习又是实现人工智能的一大手段。了解到机器学习怎么学，大致分三步：问题建模，确定假设空间；确定目标函数；求解模型参数；第二个视频介绍了深度学习，从六个深度学习的不能又引出对应解释性的三个层次。 后面学习了神经网络与生物的神经元的共性，了解了单层与多层感知和每一层的作用，学习通过与多层感知器实现逻辑关系。又了解了深层神经网络中梯度消失的方法。
李亚聪	第一个视频主要讲了人工智能的发展史、前景、应用和介绍了人工智能是什么。机器学习是人工智能的一方面，可以根据有无监督、是否应用神经网络分为很多种，深度学习是其中的一种。 第二个视频介绍了深度学习，先讲解了深度学习的几个“不能”，学习了深度学习和神经元的相似，然后学习了神经网络激活函数，知道了单层感知和多层感知的区别，通过实验举例直观的明白了单层不能完成非线性，也知道了层数并不是越多越好，了解了梯度下降和误差反向传播问题，并简单学习了一些相关的解决方案。

问题

组员	问题
张天成	1.在深度学习中，对于“参数不透明”中的“参数”无法理解。 2.理解简单的神经元活动但无法理解神经网络的活动和工作原理。
郑中康	1.万有逼近定理没有完全理解？ 2.怎么保证顺利完成有效训练，而不是混乱的训练?
尹鹏辉	受限玻尔兹曼机为什么现实中不实用？万有逼近定理怎么推导？
罗浩宇	1.神经网络宽度深度应该如何选择？ 2.神经网络层数越来越多会不会造成处理混乱？
张克猛	万有逼近定理不懂，深层神经网络的问题梯度消失不明白
李亚聪	关于反向传播和梯度消失问题不是很明白。

代码练习

组员	博客地址
张天成	https://www.cnblogs.com/KTLzhang-784/p/15387190.html
郑中康	https://www.cnblogs.com/zhengzkang/p/15388137.html
尹鹏辉	https://www.cnblogs.com/yph1807/p/15387519.html
罗浩宇	https://www.cnblogs.com/better11/articles/15387296.html
张克猛	https://www.cnblogs.com/zhangkemeng/p/15387222.html
李亚聪	https://www.cnblogs.com/houlai1/articles/15383051.html