具体的笔记顺序不是很清晰了 就简单的综合一下 顺便做一个再吸收 总结 （做重要的还是要提及一下 并不是你学习了多少技术 而是与你自己产生了多少的联系 或者说是 理解了多少 自己消化了多少 重要的是自己的能力的提升）
首先整本书 围绕的一个大主线 就是 通信 （人与人之间信息的传递 最基本的人与人之间的行为） 主要的可以理解为 三个节点 两个过程 信源（发送方） 信道（传输信息） 接收者 编码 与解码 两个过程
围绕着这个基本的行为 展开了 后续的所有的讨论 文章的后续 贴近的具体还是 吴军博士从事的具体的工作 给自己能提供的 大概是一个前行的方向
具体的技术方面 第一个谈及的是 （基于统计的）自然语言处理系统 （统计语言模型） 这里再提及一下 对于模型的一个理解 不再像之前的那么空洞 其实是自己之前把模型给想复杂了 简单的 一个 一元二次方程就是一个模型 就是简化的 或者说是 提炼出来的 用数学的式子表达的东西 方便人们的理解的就可以称为 模型 但是更多的理解之后 模型 又不能将它 考虑的太过于简单 模型的建立过程 是异常的复杂 需要对具体的现象进行 充分的了解 并且熟悉 建模的过程 方才可以简单的完成一小步
具体的谈及的第一个模型 马尔可夫链（具有马尔科夫性 自己从别的地方看的一个描述 更加方便与 理解与记忆 渣男下一个时刻对于一个女生的喜爱 仅仅取决于 这一时刻对于女生的新鲜感 而对女生之前的付出 丝毫没有关系 ） 从之前的描述中可以看出来 围绕着事件来描述的过程
在此基础上 又提出了 N-1 阶马尔科夫链 （先相比之前的渣男 这次渣的没有那么的彻底 还估计 几天前女生的各种付出）
再到 隐马尔可夫 模型 （Hidden Markov Model） 相比于之前的两个模型 多添加了一个接收的信号的过程 （用之前提及的通信的过程来理解 之前模型的只有编码的过程 现在更加的全面 还有解码的过程（实际上的输出的过程） 完成的是解码的操作 仅仅是属于这部分的一个操作） （使用最主要的一个公式是 贝叶斯公式） 包含两个参数 转移概率 与 生成概率
作用有三个
1 在模型给定的情况下 求解特定的输出序列的概率
2 给定一个模型 和一个输出序列 找最可能的产生这个输出状态的序列 （处理的方法 维特比算法 ）
3 模型的训练 （给定数据 学习模型的参数 ）
主要分为两种方式
有监督式 人工标注的数据 （数据进行过一个处理 已经把数据分好类别）
无监督式 主要的一个方法 聚类 （转变为一个 期望最大化的过程）
具体的过程 比较复杂
这里提及一个简单的过程
第二个想谈的点是 人工神经网络 和 深度学习
神经网络 本质上 也是 图的一种 类型 或者是 一种变形 解决的是一个分类的问题 运用了神经元的概念 实际上 被没有那么神秘 不过就是简单的几个节点 中间 附加了 几个函数 （或者称为 一种映射的方法 ） 称为 神经元函数 （对上一层穿过来的参数线性组合后的结果 进行处理 本质上处理的还是一个数 不过是这个数算的过程比较复杂） 通过这样的方式 完成分类的过程 （中参数的具体的求解过程 使用的方法 主要还是 梯度下降 ） 还有一个不可缺少的 就是 成本函数 （cost function） 衡量 与实际值之间的差距 衡量模型的学习的好坏
网友评论