machine-learning
深い学習
サーチ…
前書き
ディープラーニングは、学習目的で多層の人工ニューラルネットワークを使用する機械学習のサブフィールドです。ディープラーニングは、スピーチ認識、Youtubeの字幕、Amazonの推奨など、多くの優れた実装を見つけました。追加情報については、 深い学習のための専用トピックがあります。
深い学習の短い要約
ニューラルネットワークを訓練するためには、まず、良い、効率的なアイデアを設計する必要があります。学習には3つのタイプがあります。
- 教師あり学習
- 強化学習
- 教師なし学習
現在、教師なし学習は非常に一般的です。教師なし学習は、「分類されていない」データから隠れた構造を記述するための関数を推論する深い学習課題です（分類や分類は観測に含まれません）。
学習者に与えられた例はラベルが付けられていないので、教師なし学習と監督学習と強化学習とを区別する1つの方法である、関連するアルゴリズムによって出力される構造の精度の評価はない。
教師なし学習には3つのタイプがあります。
- 制限付きボルツマン機械
- スパースコーディングモデル
- オートエンコーダーオートエンコーダーについて詳しく説明します。
自動エンコーダーの目的は、一般に次元削減のために、一連のデータの表現（エンコーディング）を学ぶことです。
オートエンコーダの最も単純な形式は、入力層、出力層、およびそれらを接続する1つ以上の隠れ層を有するフィードフォワードである。しかし、出力層は入力層と同じ数のノードを持ち、それ自身の入力を再構築するという目的で、それは教師なし学習と呼ばれています。
今私はニューラルネットワークのトレーニングの例を挙げようとします。 
ここでXiは入力、Wは重み、f（e）は活性化関数、yは出力です。
ここで、自動エンコーダーに基づくトレーニングニューラルネットワークの段階的な流れを見る。
この式を使って、すべてのアクティベーション関数の値を計算します。y = WiXi。まず、重みの数値をランダムに選び、その重みを調整しようとします。
ここでは、y = zyという所望の出力からの偏差を計算し、各起動関数の偏差を計算します。
次に、すべての接続の新しい重みを調整します。
