【例2 风暴猜测体系】

假定要构建一个风暴猜测体系，你手头上有页堪产生的风暴数据以及这些风暴产生前三个月的气象数据。那么如何构建一个风暴猜测体系呢？

起重要做的是清洗数据并找到数据中的隐蔽模式，比如导致风暴产生的前提。我们可以对一些前提建模，比如温度是否大年夜于40摄氏度，湿度是否介于80到100之间，然后将这些特点输入模型。

你要做的就是充分应用汗青数据，然后猜测是否会产生风暴。在这个例子中，评价的指标是精确猜测风暴产生的次数。我们可以反复猜测过程多次，然后将机能结不雅返回体系。

回到最初机械进修的定义，我们将风暴猜测体系定义如下：义务T是找到造成风暴的大年夜气前提，机能P是在模型参数进修好之后，精确猜测的次数，经验E是体系的迭代过程。

深度进修

深度进修其实很早之前就出现了，跟着近几年的炒作，又逐渐火起来了。

深度进修是一种特别的机械进修，它将实际世界表示为嵌套的层次概念体系（由较简单概念间的接洽定义复杂概念，大年夜一般抽象概括到高等抽象表示），大年夜而获得强大年夜的机能与灵活性。

Deep learning is a particular kind of machine learning that achieves great power and flexibility by learning to represent the world as nested hierarchy of concepts, with each concept defined in relation to simpler concepts, and more abstract representations computed in terms of less abstract>【例1 图形检测】

假设我们要将矩形和其他图形差别开。人眼起首是检测这个图形是否有4条边（简单概念）。如不雅有4条边，在检测它们是否相连，闭合且垂直，以及是否相等（嵌套层次概念）。事实上，我们将一个复杂的义务（矩形辨认）分化成一些简单低抽象层次的义务。深度进修本质上是在更大年夜典范围内做这件事。

【例2 猫照样狗】

这个案例是构建一个可以或许辨认图片中动物是猫或者狗的体系。