机器学习_神经网络_深度学习

【神经网络——最易懂最清晰的一篇文章 -  CSDN App】https://blog.csdn.net/illikang/article/details/82019945?type=blog&rId=82019945&refer=APP&source=weixin_45387165

参考以上资料，可对神经网络有初步了解。接下来可参考书籍等投身实际项目中使用。

书籍可参考《控制之美》神经网络及其MATLAB实现。

机器学习：以设定规则+数据喂养驱动算法自成长

机器学习（machine learning)>神经网络>深度学习≈深度神经网络。

机器学习用于解决由人工基于if-else 等规则开发算法而导致成本过高的问题，想要通过帮助机器“发现”它们“自己”解决问题的算法来解决；

机器学习可以分为有监督学习(supervised learning)、无监督学习(unsupervised learning)和强化学习(reinforcement learning)等三类。

深度学习是基于深度神经网络的，而神经网络算法是机器学习模型的一个分支，包括卷积神经网络CNN/循环神经网络RNN等等，自注意机制（Transformer)则是基于全连接神经网络和循环神经网络的衍生。

深度学习使用多层神经网络，从原始输入中逐步提取更高层次更抽象的特征用于后续算法识别，处理大规模数据是其核心优势。当前，深度学习已经应用到包括图像识别、自然语言处理、语言识别等各领域。

AI大模型是指具有超大规模参数（通常在十亿个以上）、超强计算资源的机器学习模型，其目标是通过增加模型的参数数量来提高模型的表现能力，它们能够处理海量数据，完成各种复杂任务。

AI大模型的原理是基于神经网络和大量数据的训练，模型通过模拟人脑的神经元结构，对输入数据进行多层抽象和处理，从而实现对复杂任务的学习和预测。AI大模型的训练主要分为：数据预处理、模型构建、模型训练、模型评估等步骤：

数据预处理：首先，需要对原始数据进行清洗，整理和标注，以便为模型提供合适的输入。这一阶段可能包括去除噪声、填充缺失值、归一化等。

构建神经网络：根据任务需求设计并搭建一个神经网络，其通常由多个层级组成，每个层级包含若干个神经元。神经元之间通过权重连接，用于表示输入数据和输出数据之间的关系。

前向传播：将经过预处理的数 据输入到神经网络中， 按照权重计算得出各层 神经元的输出。这个过 程称为前向传播。