机器学习——深度学习(Deep Learning)

Deep Learning是机器学习中一个非常接近AI的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，近期研究了机器学习中一些深度学习的相关知识，本文给出一些非常实用的资料和心得。

Key Words：有监督学习与无监督学习。分类、回归。密度预计、聚类，深度学习，Sparse DBN，

1. 有监督学习和无监督学习

给定一组数据(input，target)为Z=(X，Y)。

有监督学习：最常见的是regression & classification。

regression：Y是实数vector。回归问题，就是拟合(X。Y)的一条曲线，使得下式cost function L最小。

classification：Y是一个finite number，能够看做类标号。分类问题须要首先给定有label的数据训练分类器，故属于有监督学习过程。分类问题中，cost function L(X,Y)是X属于类Y的概率的负对数。

。当中f_i(X)=P(Y=i
| X);

无监督学习：无监督学习的目的是学习一个function f，使它能够描写叙述给定数据的位置分布P(Z)。包含两种：density
estimation & clustering.

density estimation就是密度预计，预计该数据在任何位置的分布密度

clustering就是聚类。将Z聚集几类（如K-Means），或者给出一个样本属于每一类的概率。

因为不须要事先依据训练数据去train聚类器。故属于无监督学习。

PCA和非常多deep learning算法都属于无监督学习。

2. 深度学习Deep Learning介绍

Depth 概念：depth:
the length of the longest path from an input to an output.

Deep Architecture 的三个特点：深度不足会出现故障；人脑具有一个深度结构（每深入一层进行一次abstraction，由lower-layer的features描写叙述而成的feature构成，就是上篇中提到的feature
hierarchy问题，并且该hierarchy是一个稀疏矩阵）；认知过程逐层进行。逐步抽象

3篇文章介绍Deep
Belief Networks，作为DBN的breakthrough

3.Deep Learning Algorithm 的核心思想：

把learning hierarchy 看做一个network。则

①无监督学习用于每一层网络的pre-train。

②每次用无监督学习仅仅训练一层，将其训练结果作为其higher一层的输入；

③用监督学习去调整全部层

这里不负责任地理解下，举个样例在Autoencoder中，无监督学习学的是feature。有监督学习用在fine-tuning.
比方每个neural network 学出的hidden layer就是feature，作为下一次神经网络无监督学习的input……这样一次次就学出了一个deep的网络，每一层都是上一次学习的hidden layer。

再用softmax classifier去fine-tuning这个deep network的系数。

这三个点是Deep Learning Algorithm的精髓，我在上一篇文章中也有讲到，当中第三部分：Learning
Features Hierachy & Sparse DBN就讲了怎样运用Sparse DBN进行feature学习。

4. Deep Learning 经典阅读材料：

The monograph or review paper Learning Deep Architectures for AI (Foundations
& Trends in Machine Learning, 2009).

The ICML 2009 Workshop on Learning Feature Hierarchies webpage has a list
of references.

The LISA public wiki has a reading
list and a bibliography.

Geoff Hinton has readings from last year’s NIPS
tutorial.

阐述Deep learning主要思想的三篇文章：

Hinton, G. E., Osindero, S. and Teh, Y., A
fast learning algorithm for deep belief netsNeural Computation 18:1527-1554, 2006

Yoshua Bengio, Pascal Lamblin, Dan Popovici and Hugo Larochelle, Greedy
Layer-Wise Training of Deep Networks, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems 19 (NIPS 2006), pp. 153-160, MIT Press, 2007<比較了RBM和Auto-encoder>

Marc’Aurelio Ranzato, Christopher Poultney, Sumit Chopra and Yann LeCun Efficient
Learning of Sparse Representations with an Energy-Based Model, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems (NIPS 2006), MIT Press,
2007<将稀疏自编码用于回旋结构(convolutional architecture)>

06年后。大批deep learning文章涌现。感兴趣的能够看下大牛Yoshua Bengio的综述Learning
deep architectures for {AI},只是本文非常长，非常长……

5. Deep Learning工具—— Theano

Theano是deep
learning的Python库，要求首先熟悉Python语言和numpy，建议读者先看Theano
basic tutorial，然后依照Getting
Started 下载相关数据并用gradient descent的方法进行学习。

学习了Theano的基本方法后，能够练习写下面几个算法：

有监督学习：

Logistic Regression – using Theano for something
simple
Multilayer perceptron – introduction to layers
Deep Convolutional Network – a simplified
version of LeNet5

无监督学习：

Auto Encoders, Denoising Autoencoders – description of autoencoders
Stacked Denoising Auto-Encoders – easy steps into unsupervised pre-training for deep nets
Restricted Boltzmann Machines – single layer generative RBM model
Deep Belief Networks – unsupervised generative pre-training
of stacked RBMs followed by supervised fine-tuning