既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類問題，那SVM、決策樹這些算法還有什么意義呢？這取決于數(shù)據(jù)量和樣本數(shù)。不同的樣本數(shù)和特征數(shù)據(jù)適合不同的算法。像神經(jīng)網(wǎng)絡(luò)這樣的深度學(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來建立更好的預(yù)

既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類問題，那SVM、決策樹這些算法還有什么意義呢？

這取決于數(shù)據(jù)量和樣本數(shù)。不同的樣本數(shù)和特征數(shù)據(jù)適合不同的算法。像神經(jīng)網(wǎng)絡(luò)這樣的深度學(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來建立更好的預(yù)測模型。許多大型互聯(lián)網(wǎng)公司更喜歡深度學(xué)習(xí)算法，因為他們獲得的用戶數(shù)據(jù)是數(shù)以億計的海量數(shù)據(jù)，這更適合于卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法。

如果樣本數(shù)量較少，則更適合使用SVM、決策樹和其他機器學(xué)習(xí)算法。如果你有一個大的數(shù)據(jù)集，你可以考慮使用卷積神經(jīng)網(wǎng)絡(luò)和其他深度學(xué)習(xí)算法。

以下是一個圖表，用于說明根據(jù)樣本數(shù)量和數(shù)據(jù)集大小選擇的任何機器學(xué)習(xí)算法。

如果你認(rèn)為它對你有幫助，你可以多表揚，也可以關(guān)注它。謝謝您

卷積神經(jīng)網(wǎng)絡(luò)作為特征提取器，用訓(xùn)練集訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)可以提取訓(xùn)練集的特征嗎？還是只能提取測試集的？

1. 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2。卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史

3。反向傳播

當(dāng)用訓(xùn)練集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)（CNN）時，卷積神經(jīng)網(wǎng)絡(luò)正向傳播的卷積池過程就是特征提取過程。最后，計算出網(wǎng)絡(luò)的損失函數(shù)，然后根據(jù)鏈導(dǎo)數(shù)規(guī)則，利用反向傳播算法更新網(wǎng)絡(luò)的權(quán)值參數(shù)。這是調(diào)整各層網(wǎng)絡(luò)和卷積核的特征抽取器的參數(shù)（各層的特征和功能不同）。

訓(xùn)練是為了使整個卷積神經(jīng)網(wǎng)絡(luò)的特征提取效果更好（越來越適合于訓(xùn)練集），所以訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)可以提取訓(xùn)練集的特征。

運行測試集的目的是測試特征提取器的能力。此時，通過訓(xùn)練集對CNN各層的參數(shù)進(jìn)行訓(xùn)練，可以提取出相似訓(xùn)練集的參數(shù)（圖像、聲音、文本）。此時，我們需要再次運行測試集來測試CNN的特征提取能力。

數(shù)據(jù)集：機器學(xué)習(xí)任務(wù)中使用的一組數(shù)據(jù)，每個數(shù)據(jù)集稱為一個樣本。反映樣品在某一方面的性能或性質(zhì)的項目或?qū)傩苑Q為特征。

訓(xùn)練集：訓(xùn)練過程中使用的數(shù)據(jù)集，其中每個訓(xùn)練樣本稱為訓(xùn)練樣本。從數(shù)據(jù)中學(xué)習(xí)模型的過程稱為學(xué)習(xí)（訓(xùn)練）。

測試集：學(xué)習(xí)模型后，將其用于預(yù)測的過程稱為測試，使用的數(shù)據(jù)集稱為測試集，每個樣本稱為測試樣本。

深度神經(jīng)網(wǎng)絡(luò)是否夸張地過擬合了？

這不可能是一樣的。

1. 過度裝配可分為許多情況。一是現(xiàn)在的情況太多了。這種神經(jīng)網(wǎng)絡(luò)能對許多情況給出正確的答案。即使它是過度安裝，你也無法證明它。此外，即使它能工作和排氣，也沒有壞處。

2. 是否過擬合與我們的神經(jīng)網(wǎng)絡(luò)模型和訓(xùn)練集有關(guān)。當(dāng)二者的組合過擬合時，它在訓(xùn)練集上運行良好，在驗證集上也會出現(xiàn)問題?，F(xiàn)在有一些方法可以對訓(xùn)練集的數(shù)據(jù)進(jìn)行預(yù)處理、多次輸入和多次訓(xùn)練。

3. 目前，過度擬合的問題是不可避免的。培訓(xùn)本身就是一種適應(yīng)過程。如果未來在數(shù)學(xué)原理或應(yīng)用這方面有質(zhì)的突破，可能有解決的機會。

九章能窮舉圍棋變化嗎？能不能利用九章算法戰(zhàn)勝阿爾法狗？

看來你不知道九章是什么

！第九章不是一個經(jīng)典的計算機系統(tǒng)。它不能玩“計算”，所以它不能解決你問的問題。

順便說一下，九章計算機嚴(yán)格來說不是計算機，它是做概率模型試驗的實驗儀器。潘建偉的團(tuán)隊這次做了一次“取樣”，將50個完全相同的單模壓縮態(tài)輸入到100模超低損耗干涉線中，并用100個高效單光子探測器對高斯玻色進(jìn)行取樣。輸出狀態(tài)的空間維數(shù)達(dá)到了10的30次方，采樣率比最先進(jìn)的超級計算機快14倍。

也就是說，九章不做“計算”，而做“建模”，通過概率模型來“推測”結(jié)論，把數(shù)學(xué)問題轉(zhuǎn)化為物理問題，這樣的問題將來會很多。你提到的是一個“排列組合”問題，量子計算機無法解決

如果你是一個面試者，怎么判斷一個面試官的機器學(xué)習(xí)水平？

深度卷積神經(jīng)網(wǎng)絡(luò)一定比淺的好嗎？

顯然不是

！對于一些復(fù)雜的場景，例如機器翻譯。如果只有一層全連接層，就無法表達(dá)這種復(fù)雜的場景。此時，層的增加將大大提高網(wǎng)絡(luò)的性能。

對于一些簡單的場景，如簡單的二值分類問題，幾層完全連通的層往往足以表達(dá)整個場景。在這個時候，盲目地添加許多層只會使模型過于適合。

。