当前播放: 17 | 神经网络基础:神经网络还是复合函数
00:00 / 00:00
高清
  • 高清
1.0x
  • 2.0x
  • 1.5x
  • 1.25x
  • 1.0x
  • 0.5x
网页全屏
全屏
00:00
付费课程,可试看
课程目录
第一章:AI及NLP基础 (15讲)
01 | 课程介绍
免费
02 | 内容综述
免费
03 | AI概览:宣传片外的人工智能
免费
04 | AI项目流程:从实验到落地
免费
05 | NLP领域简介:NLP基本任务及研究方向
免费
06 | NLP应用:智能问答系统
07 | NLP应用:文本校对系统
08 | NLP的学习方法:如何在AI爆炸时代快速上手学习?
09 | 深度学习框架简介:如何选择合适的深度学习框架?
10 | 深度学习与硬件:CPU
11 | 深度学习与硬件:GPU
12 | 深度学习与硬件:TPU
13 | AI项目部署:基本原则
14 | AI项目部署:框架选择
15 | AI项目部署:微服务简介
第二章:深度学习简介和NLP试水 (14讲)
16 | 统计学基础:随机性是如何改变数据拟合的本质的?
17 | 神经网络基础:神经网络还是复合函数
18 | 神经网络基础:训练神经网络
19 | 神经网络基础:神经网络的基础构成
20 | Embedding简介:为什么Embedding更适合编码文本特征?
21 | RNN简介:马尔可夫过程和隐马尔可夫过程
22 | RNN简介:RNN和LSTM
23 | CNN:卷积神经网络是什么?
24 | 环境部署:如何构建简单的深度学习环境?
25 | PyTorch简介:Tensor和相关运算
26 | PyTorch简介:如何构造Dataset和DataLoader?
27 | PyTorch简介:如何构造神经网络?
28 | 文本分类实践:如何进行简单的文本分类?
29 | 文本分类实践的评价:如何提升进一步的分类效果?
第三章:表格化数据挖掘 (40讲)
30 | 经典的数据挖掘方法:数据驱动型开发早期的努力
31 | 表格化数据挖掘基本流程:看看现在的数据挖掘都是怎么做的?
32 | Pandas简介:如何使用Pandas对数据进行处理?
33 | Matplotlib简介:如何进行简单的可视化分析?
34 | 半自动特征构建方法:Target Mean Encoding
35 | 半自动特征构建方法:Categorical Encoder
36 | 半自动特征构建方法:连续变量的离散化
37 | 半自动特征构建方法:Entity Embedding
38 | 半自动构建方法:Entity Embedding的实现
39 | 半自动特征构建方法:连续变量的转换
40 | 半自动特征构建方法:缺失变量和异常值的处理
41 | 自动特征构建方法:Symbolic learning和AutoCross简介
42 | 降维方法:PCA、NMF 和 tSNE
43 | 降维方法:Denoising Auto Encoders
44 | 降维方法:Variational Auto Encoder
45 | 变量选择方法
46 | 集成树模型:如何提升决策树的效果
47 | 集成树模型:GBDT和XgBoost的数学表达
48 | 集成树模型:LightGBM简介
49 | 集成树模型:CatBoost和NGBoost简介
50 | 神经网络建模:如何让神经网络实现你的数据挖掘需求
51 | 神经网络的构建:Residual Connection和Dense Connection
52 | 神经网络的构建:Network in Network
53 | 神经网络的构建:Gating Mechanism和Attention
54 | 神经网络的构建:Memory
55 | 神经网络的构建:Activation Function
56 | 神经网络的构建:Normalization
57 | 神经网络的训练:初始化
58 | 神经网络的训练:学习率和Warm-up
59 | 神经网络的训练:新的PyTorch训练框架
60 | Transformer:如何通过Transformer榨取重要变量?
61 | Transformer代码实现剖析
62 | xDeepFM:如何用神经网络处理高维的特征?
63 | xDeepFM的代码解析
64 | 时序建模:如何用神经网络解决时间序列的预测问题?
65 | 图嵌入:如何将图关系纳入模型?
66 | 图网络简介:如何在图结构的基础上建立神经网络?
67 | 模型融合基础:如何让你所学到的模型方法一起发挥作用?
68 | 高级模型融合技巧:Metades是什么?
69 | 挖掘自然语言中的人工特征:如何用传统的特征解决问题?
第四章:自然语言分类任务 (37讲)
70 | 重新审视Word Embedding:Negative Sampling和Contextual Embedding
71 | 深度迁移学习模型:从ELMo到BERT
72 | 深度迁移学习模型:RoBERTa、XLNet、ERNIE和T5
73 | 深度迁移学习模型:ALBERT和ELECTRA
74 | 深度迁移学习模型的微调:如何使用TensorFlow在TPU对模型进行微调
75 | 深度迁移学习模型的微调:TensorFlow BERT代码简析
76 | 深度迁移学习的微调:如何利用PyTorch实现深度迁移学习模型的微调及代码简析
77 | 优化器:Adam和AdamW
78 | 优化器:Lookahead,Radam和Lamb
79 | 多重loss的方式:如何使用多重loss来提高模型准确率?
80 | 数据扩充的基本方法:如何从少部分数据中扩充更多的数据并避免过拟合?
81 | UDA:一种系统的数据扩充框架
82 | Label Smoothing和Logit Squeezing
83 | 底层模型拼接:如何让不同的语言模型融合在一起从而达到更好的效果?
84 | 上层模型拼接:如何在语言模型基础上拼接更多的模型?
85 | 长文本分类:截取、关键词拼接和预测平均
86 | Virtual Adverserial Training:如何减少一般对抗训练难收敛的问题并提高结果的鲁棒性?
87 | 其他Embedding的训练:还有哪些Embedding方法?
88 | 训练预语言模型
89 | 多任务训练:如何利用多任务训练来提升效果?
90 | Domain Adaptation:如何利用其它有标注语料来提升效果?
91 | Few-shot Learning:是否有更好的利用不同任务的方法?
92 | 半监督学习:如何让没有标注的数据也派上用场?
93 | 依存分析和Semantic Parsing概述
94 | 依存分析和Universal Depdency Relattions
95 | 如何在Stanza中实现Dependency Parsing
96 | Shift Reduce算法
97 | 基于神经网络的依存分析算法
98 | 树神经网络:如何采用Tree LSTM和其它拓展方法?
99 | Semantic Parsing基础:Semantic Parsing的任务是什么?
100 | WikiSQL任务简介
101 | ASDL和AST
102 | Tranx简介
103 | Lambda Caculus概述
104 | Lambda-DCS概述
105 | Inductive Logic Programming:基本设定
106 | Inductive Logic Programming:一个可微的实现
第五章:增强学习 (22讲)
107 | 增强学习的基本设定:增强学习与传统的预测性建模有什么区别?
108 | 最短路问题和Dijkstra Algorithm
109 | Q-learning:如何进行Q-learning算法的推导?
110 | Rainbow:如何改进Q-learning算法?
111 | Policy Gradient:如何进行Policy Gradient的基本推导?
112 | A2C和A3C:如何提升基本的Policy Gradient算法
113 | Gumbel-trick:如何将离散的优化改变为连续的优化问题?
114 | MCTS简介:如何将“推理”引入到强化学习框架中
115 | Direct Policty Gradient:基本设定及Gumbel-trick的使用
116 | Direct Policty Gradient:轨迹生成方法
117 | AutoML及Neural Architecture Search简介
118 | AutoML网络架构举例
119 | RENAS:如何使用遗传算法和增强学习探索网络架构
120 | Differentiable Search:如何将NAS变为可微的问题
121 | 层次搜索法:如何在模块之间进行搜索?
122 | LeNAS:如何搜索搜索space
123 | 超参数搜索:如何寻找算法的超参数
124 | Learning to optimize:是否可以让机器学到一个新的优化器
125 | 遗传算法和增强学习的结合
126 | 使用增强学习改进组合优化的算法
127 | 多代理增强学习概述:什么是多代理增强学习?
128 | AlphaStar介绍:AlphaStar中采取了哪些技术?
17 | 神经网络基础:神经网络还是复合函数

17 | 神经网络基础:神经网络还是复合函数

王然
众微科技AI Lab技术负责人、阿姆斯特丹大学数学和计量经济学双硕士
每周四 12:00 更新3293
新人首单 ¥29.9 原价 ¥129
7
本节摘要
登录 后留言

精选留言(11)

  • qinsi
    总结一下老师大致是说,神经网络本质是可微的复合函数,不要仅仅注意到激活函数而被带偏了。然而我个人的理解,激活函数带来的非线性特性也很重要,否则神经网络的表达能力与线性函数无疑
    2020-03-09
    3
  • Geek_02623b
    我感觉用logistic回归的思想来解释神经网络比较切合。以二分类为例:
    X表示样本${x_1,x_2,....}$;C表示类别${c_1=1,c_2=-1}$,$P$表示概率。
    已知如下:
    当$P(C_1|x_1)/P(C_2|X_1)>1$时$X_1$属于$C_1$类,
    当$P(C_1|x_1)/P(C_2|X_1)<1$时$X_1$属于$C_2$类.
    由于是二分类问题,可以将上式继续简化
    $P(C_1|x_1)/(1-P(C_1|x_1))>1$时$X_1$属于$C_1$类,
    $P(C_1|x_1)/(1-P(C_1|x_1))<1$时$X_1$属于$C_2$类,
    上述公式是分类问题的描述,但是这个公式还有一个问题需要处理,由函数$x/(1-x)$图像可知,在0和1附近的值太小和太大将函数图像的波动掩盖了,所以需要加上对数,$ln{P(C_1|x_1)/(1-P(C_1|x_1))}$。
    下面引入logitic regression(LR)和神经网络。
    1. LR(欢迎讨论,根据自己理解定义的)
       经过上述的讨论我们知道了要拟合的目标即:$ln{P(C_1|x_1)/(1-P(C_1|x_1))}$,使用$\overrightarrow w \overrightarrow x+\overrightarrow b$来拟合的话就是LR模型,推导如下:
       $ln{P(C_1|x_1)/(1-P(C_1|x_1))}=\overrightarrow w \overrightarrow x+\overrightarrow b$
       $e^{ln{P(C_1|x_1)/(1-P(C_1|x_1))}}=e^{\overrightarrow w \overrightarrow x+\overrightarrow b}$
       $P(C_1|x_1)/(1-P(C_1|x_1))=e^{\overrightarrow w \overrightarrow x+\overrightarrow b}$
       $1/(\frac {1}{P(C_1|x_1)}-1)=e^{\overrightarrow w \overrightarrow x+\overrightarrow b}$
       $P(C_1|x_1)=\frac {e^{\overrightarrow w \overrightarrow x+\overrightarrow b}}{1+e^{\overrightarrow w \overrightarrow x+\overrightarrow b}}$
       由二分类可知,
       $P(C_2|x_1)=\frac {1}{1+e^{\overrightarrow w \overrightarrow x+\overrightarrow b}}$
       $P(C_2|x_1)+P(C_1|x_1)= 1$
      
       以上也可与推广到多分类。

    2. 神经网络
       神经网络也是在拟合$ln{P(C_1|x_1)/(1-P(C_1|x_1))}$,只不过神经网络的需要拟合的函数${(\overrightarrow w \overrightarrow x+\overrightarrow b)}^{*}$要复杂的多,加个星号表示的是广义的。
    2020-07-07
    1
  • 王柯
    神经网络的本质是复合函数,因此可以通过链式法则进行求导训练网络(也叫反向传播,通过最小化损失函数,进而反向对未知参数求导)。激活函数时非线性,进而可以拟合较复杂的函数关系。
    2020-03-09
    1
  • Geek_02623b
    王老师,神经网络是表示的概率还是表示的函数?我看有些在用概率解释神经网络,计算损失函数的时候也会引入概率分布的概念。
    2020-07-07
  • Geek_427d0c
    老师有没有推荐的数学、ML、AI书,已知编程、devops很厉害。
    2020-06-04
  • 皮特尔
    神经网络的本质是复合函数,那么过拟合和欠拟合的数学本质是什么🤔呢?
    2020-05-31
    2
  • kingsley
    神经网络分前向传播和反向传播两个过程。求解梯度是反向传播的过程。 矩阵求导可以参考matrix cookbook
    2020-05-16
  • 余皇南
    可以补充西瓜书的广义线性回归和Andrew Ng的链式法则推导,感觉老师的课比较精简建议给些补充材料
    2020-04-14
  • JaneIDK
    这个神经网络是复合函数的角度以前没想过
    2020-03-22
  • 神经网络的数学本质和神经网络反响传播的本质是不同的。你讲的是反响传播,而不是网络
    2020-03-21
  • 王大伟
    老师,我想系统学习下向量求导,有推荐的教程吗
    2020-03-08
收起评论
看过的人还看
AI技术内参

洪亮劼  Etsy数据科学主管,前雅虎研究院资深科学家

166讲 | 9841 人已学习

新人首单 ¥49.9 原价 ¥199
TensorFlow快速入门与实战

彭靖田  Google Developers Expert,《深入理解TensorFlow》作者

67讲 | 8361 人已学习

新人首单 ¥29.9 原价 ¥129
TensorFlow 2项目进阶实战

彭靖田  Google Developer Expert、《TensorFlow 快速入门与实战》作者

56讲 | 2127 人已学习

新人首单 ¥29.9 原价 ¥129
数据结构与算法之美

王争  前Google工程师

80讲 | 88909 人已学习

新人首单 ¥29.9 原价 ¥129