背景和基本概念

摘要：

本文包含了三部分内容。

第一部分——介绍了机器学习，有监督学习和无监督学习。

第二部分——神经网络的定义

第三部分——神经元模型。

1.机器学习

§定义：

计算机通过某种学习算法，从经验(数据)中产生模型，并在面对新数据时由模型提供相应判断的过程。

§例1：通过大学生课堂小测成绩，预测期末是否及格

§例2：通过二环近十年房价，预测明年二环房价

§分类：

§有监督学习：数据自带判断结果，比如例1中，原始数据包含每个学生课堂小测成绩+期末成绩，形如（Xn,Yn）,Xn是第n个学生小测成绩，Yn是学生期末成绩。

§无监督学习：数据本身不带有结构或判断结果。如聚类问题——根据身高数据，将100名学生分成3类。

2.神经网络

§神经网络是机器学习中的一类模型，在特定的算法下使用。

§理解要点：神经元+网络拓扑结构+学习算法

§严格定义：模仿生物神经系统，由神经元互相连接组成的分布式神经网络，能够进行并行信息处理。[Kohonen,1988]

3.神经元

§要点：输入x1,x2...xn； 输出y；权值w1,w2...wn；阈值θ；激活函数f。

§关系：

其中f是一个事先确定的函数，称之为激活函数。

§激活函数

常用sigmoid函数和阈值函数。

§sigmoid函数

§阈值函数

§加权和

我们往往用样本数据得到输入，并且通过某些算法在训练过程中修改神经元的权值和阈值，当训练结束时，神经元的权值和阈值固定下来。之后面对实际使用模型中输入的新数据，神经元会通过固定下来的权值和阈值计算出输入。

本文图片来源于网络，侵删。