共计 1284 个字符，预计需要花费 4 分钟才能阅读完成。
在这篇文章中，咱们将回顾监督机器学习的基础知识，以及训练和验证阶段包含哪些内容。
在这里，咱们将为不理解 AI 的读者介绍机器学习 (ML) 的基础知识，并且咱们将形容在监督机器学习模型中的训练和验证步骤。
ML 是 AI 的一个分支，它试图通过演绎一组示例而不是接管显式指令来让机器找出如何执行工作。ML 有三种范式: 监督学习、非监督学习和强化学习。在监督学习中，一个模型 (咱们将在上面探讨) 通过一个称为训练的过程进行学习，在这个过程中，它会提供示例输出和正确输入。它理解数据集示例中哪些个性映射到特定输入，而后可能在一个称为预测的阶段预测新的输出数据。在无监督学习中，模型通过剖析数据之间的关系来学习数据的构造，而不波及任何其余过程。在强化学习中，咱们建设模型，通过试验和谬误技术，随着工夫的推移学习和改良。
ML 中的模型是什么? 模型是一个简略的数学对象或实体，它蕴含一些对于 AI 的实践背景，以便可能从数据集学习。在监督学习中风行的模型包含决策树、向量机，当然还有神经网络。
神经网络是按堆栈的形态分层排列的。除了输出层和输入层之外，每一层的节点都接管来自上一层节点的输出，也能够接管来自下一层节点的输出，同样也能够向上一层和下一层节点发送信号或输入。
在一个神经网络中，咱们总是存在输出和输入层，可能有一个或多个暗藏层。
最简略的 NN 是感知器，它是蕴含的输出层和输入层单个节点。
对于神经网络中的每条边都有一个关联的权重值，这是对于每个节点都有关联的值。例如，输出层中每个节点的值能够来自与数据集中的图像相关联的像素值输出数组。为了计算下一层节点的值，咱们计算连贯到该节点的输出的加权和。这就是传递函数。一旦计算出这个值，它就被传递给另一个称为激活函数的函数，该函数依据阈值确定该节点是否应该触发到下一层。有些激活函数是二进制的，有些则有多个输入。
通常在神经网络的开端，咱们有一个激活函数，它对传递到输出层的数据进行分类(做出决定)。在硬币辨认的状况下，它将决定图像中硬币的类别或类型。神经网络中的学习过程能够仅仅看作是对其权重的调整，以便为每个给定的输出取得预期的输入。一旦对模型进行了训练，失去的权重就能够被保留下来。
当一个神经网络有一个以上的暗藏层时，咱们将其称为深度学习(DL)。DL 是一套依赖于神经网络且不止一个暗藏层的技术。领有多个暗藏层的起因是提供比繁多暗藏层神经网络更精确的后果。实践证明，深度神经网络比单层神经网络能产生更快更精确的后果。你增加到你的神经网络的每一层都有助于从数据集学习简单的特色。
神经网络蕴含许多须要调整以取得更好性能的参数。为了可能查看参数优化的有效性和神经网络自身的性能, 咱们留出很大一部分的原始数据集 (通常大于 70%) 作为训练集, 应用其余验证 (测试) 组。验证集也帮忙咱们避免适度拟合, 这产生在一个模型学习太好一组十分类似的对象数据集, 使它太适宜这个数据和不适宜新数据。
在下一篇文章中，咱们将钻研用于硬币辨认问题的卷积神经网络，并将在 Keras.NET 中实现一个卷积神经网络。
欢送关注我的公众号，如果你有喜爱的外文技术文章，能够通过公众号留言举荐给我。
