演算法學習過程

❶ 請教 演算法工程師的學習流程是怎樣的

淋的,慘不忍睹……
小男孩被送到了醫院,聞訊趕來的家屬痛苦流涕,拚命地捶打著啞口無言的司機,時間一分一秒的流
逝著,小男孩在手術室中呆了六個多小時,過了不久,醫生出來了,搖了搖頭,很遺憾地說：「對不起,
我們已經盡力了,現在他的四肢殘廢,如果想要治療,就要去松江,但希望很小,希望你們做好心理准備
.」小男孩的媽媽聽了,差點暈了過去.小男孩的家屬決定還是搏一搏,可

❷ (1)BP演算法的學習過程中有兩個過程是什麼(2)寫出BP神經網路的數學模型,並以20

bp（back propagation）網路是1986年由rumelhart和mccelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層前饋網路，是目前應用最廣泛的神經網路模型之一。bp網路能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。bp神經網路模型拓撲結構包括輸入層（input）、隱層(hide layer)和輸出層(output layer)。
人工神經網路就是模擬人思維的第二種方式。這是一個非線性動力學系統，其特色在於信息的分布式存儲和並行協同處理。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網路系統所能實現的行為卻是極其豐富多彩的。

人工神經網路首先要以一定的學習准則進行學習，然後才能工作。現以人工神經網路對手寫「a」、「b」兩個字母的識別為例進行說明，規定當「a」輸入網路時，應該輸出「1」，而當輸入為「b」時，輸出為「0」。

所以網路學習的准則應該是：如果網路作出錯誤的的判決，則通過網路的學習，應使得網路減少下次犯同樣錯誤的可能性。首先，給網路的各連接權值賦予(0，1)區間內的隨機值，將「a」所對應的圖象模式輸入給網路，網路將輸入模式加權求和、與門限比較、再進行非線性運算，得到網路的輸出。在此情況下，網路輸出為「1」和「0」的概率各為50%，也就是說是完全隨機的。這時如果輸出為「1」(結果正確)，則使連接權值增大，以便使網路再次遇到「a」模式輸入時，仍然能作出正確的判斷。

如果輸出為「0」(即結果錯誤)，則把網路連接權值朝著減小綜合輸入加權值的方向調整，其目的在於使網路下次再遇到「a」模式輸入時，減小犯同樣錯誤的可能性。如此操作調整，當給網路輪番輸入若干個手寫字母「a」、「b」後，經過網路按以上學習方法進行若干次學習後，網路判斷的正確率將大大提高。這說明網路對這兩個模式的學習已經獲得了成功，它已將這兩個模式分布地記憶在網路的各個連接權值上。當網路再次遇到其中任何一個模式時，能夠作出迅速、准確的判斷和識別。一般說來，網路中所含的神經元個數越多，則它能記憶、識別的模式也就越多。

如圖所示拓撲結構的單隱層前饋網路，一般稱為三層前饋網或三層感知器，即：輸入層、中間層（也稱隱層）和輸出層。它的特點是：各層神經元僅與相鄰層神經元之間相互全連接，同層內神經元之間無連接，各層神經元之間無反饋連接，構成具有層次結構的前饋型神經網路系統。單計算層前饋神經網路只能求解線性可分問題，能夠求解非線性問題的網路必須是具有隱層的多層神經網路。
神經網路的研究內容相當廣泛，反映了多學科交叉技術領域的特點。主要的研究工作集中在以下幾個方面：

（1）生物原型研究。從生理學、心理學、解剖學、腦科學、病理學等生物科學方面研究神經細胞、神經網路、神經系統的生物原型結構及其功能機理。

（2）建立理論模型。根據生物原型的研究，建立神經元、神經網路的理論模型。其中包括概念模型、知識模型、物理化學模型、數學模型等。

（3）網路模型與演算法研究。在理論模型研究的基礎上構作具體的神經網路模型，以實現計算機模擬或准備製作硬體，包括網路學習演算法的研究。這方面的工作也稱為技術模型研究。

（4）人工神經網路應用系統。在網路模型與演算法研究的基礎上，利用人工神經網路組成實際的應用系統，例如，完成某種信號處理或模式識別的功能、構作專家系統、製成機器人等等。

縱觀當代新興科學技術的發展歷史，人類在征服宇宙空間、基本粒子，生命起源等科學技術領域的進程中歷經了崎嶇不平的道路。我們也會看到，探索人腦功能和神經網路的研究將伴隨著重重困難的克服而日新月異。
神經網路可以用作分類、聚類、預測等。神經網路需要有一定量的歷史數據，通過歷史數據的訓練，網路可以學習到數據中隱含的知識。在你的問題中，首先要找到某些問題的一些特徵，以及對應的評價數據，用這些數據來訓練神經網路。

雖然bp網路得到了廣泛的應用，但自身也存在一些缺陷和不足，主要包括以下幾個方面的問題。

首先，由於學習速率是固定的，因此網路的收斂速度慢，需要較長的訓練時間。對於一些復雜問題，bp演算法需要的訓練時間可能非常長，這主要是由於學習速率太小造成的，可採用變化的學習速率或自適應的學習速率加以改進。

其次，bp演算法可以使權值收斂到某個值，但並不保證其為誤差平面的全局最小值，這是因為採用梯度下降法可能產生一個局部最小值。對於這個問題，可以採用附加動量法來解決。

再次，網路隱含層的層數和單元數的選擇尚無理論上的指導，一般是根據經驗或者通過反復實驗確定。因此，網路往往存在很大的冗餘性，在一定程度上也增加了網路學習的負擔。

最後，網路的學習和記憶具有不穩定性。也就是說，如果增加了學習樣本，訓練好的網路就需要從頭開始訓練，對於以前的權值和閾值是沒有記憶的。但是可以將預測、分類或聚類做的比較好的權值保存。

❸ 關於演算法的學習過程

你說的應該是計算機演算法吧，如果真要在這上面深究的話，建議還是提高數學基礎，最基礎的兩門課是離散數學與數據結構，當然一般高校的教材都還是比較不錯的，數據結構這個東西一開始比較抽象，等你學過後悟一悟就會發現很有意思，把它學好，爭取能自己理解並實際編程實現常用的所有數據結構及其相關演算法，然後就看「計算機演算法基礎」這本書吧，從分治法到回溯法等等等等，把常用的演算法（典型問題）學會並用程序實現它們，這樣的話就差不多了。推薦幾本書：《數據結構》、《計算機演算法基礎》、《演算法:C語言實現》(兩本,普林斯頓大學的Robert著)。另外，當你基礎夠好的時候，就看看演算法界的宗師Donald E. Knuth(高德納)的經典演算法巨作<The Art Of Computer Programming>（簡稱TAOCP，共3卷）及其有關數學基礎的書<具體數學>.
當你把這一切都學完（學會）之後，相信你的演算法水平已經到了個相當的高度。比爾·蓋茨曾說過，如果學完了3卷TAOCP，就把簡歷寄給他。努力吧！演算法很有趣，一步步來，相信你會成功的。

❹ 什麼是BP學習演算法

誤差反向傳播（Error
Back
Propagation,
BP）演算法
1、BP演算法的基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。
1）正向傳播：輸入樣本－>輸入層－>各隱層（處理）－>輸出層
注1：若輸出層實際輸出與期望輸出（教師信號）不符，則轉入2）（誤差反向傳播過程）
2）誤差反向傳播：輸出誤差（某種形式）－>隱層（逐層）－>輸入層
其主要目的是通過將輸出誤差反傳，將誤差分攤給各層所有單元，從而獲得各層單元的誤差信號，進而修正各單元的權值（其過程，是一個權值調整的過程）。
BP演算法基本介紹
含有隱層的多層前饋網路能大大提高神經網路的分類能力，但長期以來沒有提出解決權值調整問題的游戲演算法。1986年，Rumelhart和McCelland領導的科學家小組在《Parallel
Distributed
Processing》一書中，對具有非線性連續轉移函數的多層前饋網路的誤差反向傳播（Error
Back
Proragation，簡稱BP）演算法進行了詳盡的分析，實現了Minsky關於多層網路的設想。由於多層前饋網路的訓練經常採用誤差反向傳播演算法，人們也常把將多層前饋網路直接稱為BP網路。
BP演算法的基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳人，經各隱層逐層處理後，傳向輸出層。若輸出層的實際輸出與期望的輸出(教師信號)不符，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，並將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權值的依據。這種信號正向傳播與誤差反向傳播的各層權值調整過程，是周而復始地進行的。權值不斷調整的過程，也就是網路的學習訓練過程。此過程一直進行到網路輸出的誤差減少到可接受的程度，或進行到預先設定的學習次數為止。

❺ 怎麼學習演算法

找一些關於某種演算法的經典代碼看，最好是多看代碼加深對演算法的理解

❻ 機器學習演算法的機器學習演算法走起來

盡管機器學習演算法能夠提供多種好處，但是在使用機器學習演算法過程中也有可能導致嚴重問題。機器學習演算法初學者需要理解所輸入數據、項目范圍和目標，以及工作中使用的機器學習演算法。機器學習是很多大數據項目背後的重要推動力量，但是即便IT部門投入大量精力，在機器學習演算法具體實施過程當中事情也有可能朝著錯誤的方向發展。不幸的是，如果你沒有牢固掌握機器學習演算法所輸入數據的質量和准確性、實際的業務目標以及真實環境限制，那麼機器學習演算法預測模型很有可能具有嚴重的潛在風險（比如無法避免黑天鵝效應）。對於機器學習演算法和大數據初學者來說，很容易編寫出效率低下的機器學習演算法復雜模型或者對特定數據進行重復分析。事實上，在將這種機器學習演算法「廣義」模型應用到生產環境之前，很難判定哪種才算是最佳方式。另外一種機器學習演算法挑戰是成功的定義會隨著不同的使用情況而出現巨大差異。針對特定機器學習演算法測試數據，可以使用數十種機器學習演算法指標來描述機器學習演算法模型數據輸出結果的質量和准確性。即機器學習演算法便對於IT專家來說，其至少需要熟悉機器學習演算法輸出結果的相關指標，並且了解各種機器學習演算法象限知識，比如真正（True Positive）被模型預測為正的正樣本、真負（True Negative）被模型預測為負的負樣本、假正（False Positive ）被模型預測為正的負樣本、假負（False Negative）被模型預測為負的正樣本等。在機器學習演算法和大數據領域，許多關鍵機器學習演算法指標都是根據這四種基本機器學習演算法測量結果推導而來。比如，通常會使用正確標記（真正+真負）的實例數量除以總實例數量來定義機器學習演算法整體准確性。如果想要了解究竟有多少個正確的機器學習演算法正實例，敏感性（或者召回率）就是真正的機器學習演算法數量除以實際正數量（真正+假正）所得到的比例。通常機器學習演算法精確度也是十分重要的，也就是真正（True Positive）的數量除以所有被標記為正（真正+假正）的項目之和。機器學習演算法將所有都標記為正的簡化模型將會有100%的召回率，但是機器學習演算法精確度和准確性會非常差——這種機器學習演算法模型能夠找到一切，但是機器學習演算法卻不能將小麥從谷殼當中挑選出來。因此通常需要機器學習演算法從這些指標當中進行抉擇以尋找最佳平衡點。在一些基於機器學習演算法的大數據應用領域當中，比如機器學習演算法針對性營銷，機器學習演算法相比於隨機選擇目標客戶這種傳統方式來說能夠提高20%的效率。在其他領域當中，比如對100萬人進行癌症檢查時，即便是99%的准確率也會導致極其嚴重的後果：假設癌症的發病率非常低，那麼這1%當中的大部分就是假正，從而導致需要對將近1萬人進行不必要的治療。這種情況促使我們開始思考機器學習演算法對於IT領域的影響。首先，主機存儲和計算平台應該和嘗試學習的種類相匹配。有時候應該進行離線機器學習演算法，機器學習演算法將結果模型應用在生產環境的簡單計算步驟當中。而在其他時間機器學習演算法是持續或者反復出現的（比如強化機器學習演算法），需要更加靠近當前的數據流。相比於使用其他大數據擴展集群（比如Apache Mahout、MLlib和Madlib）的可分區庫來說，一些機器學習演算法能夠實現更好可擴展性，然而其他方式可能需要更高速的計算互聯通道以及讀寫事務存儲架構以提高計算效率。機器學習演算法可以使用一些內存工具來完成大型交付式數據挖掘或者預測工作，並且機器學習演算法降低延遲。還有一些根據生產環境當中API調用情況進行收費的雲主機機器學習演算法服務，對於存儲在雲中的數據來說這種方式能提升成本效率。如果你已經擁有固定的程序業務領域， 只是想要隨意探索一下或者剛剛開始研究機器學習演算法，那麼機器學習演算法可以使用Python和其他語言當中提供的相關免費包。你甚至可以在微軟Azure當中注冊一個免費開發、基於雲的主機學習工作室。這些機器學習演算法產品當中的大多數都可以運行在本地主機的小型數據集合上，或者機器學習演算法針對生產環境擴展為大型數據集合。機器學習演算法是一個十分熱門的領域，每天我們都能聽到廠商保證自己的特定機器學習演算法產品能夠簡化平均業務分析過程。所有這些機器學習演算法預測模型都不具有人工智慧。是的，通過尋找和探索數據方面的更深層次模型，其能夠提供真實和多種業務優勢，但是通過這種機器學習演算法方式建立的一切都是相關性。就像學校經常告訴我們的一樣，相關性不代表明確的因果關系。但是，考慮到現在應用機器學習演算法技術已經變得非常容易——只需要研究感興趣的機器學習演算法數據集合，因此所有IT部門都可以學習自己的內部專業知識——收集和清除數據、制定開發流程、協助模型效果等，並且機器學習演算法應用在生產環境當中。在數據科學方面的專業知識是非常寶貴和難得的，但是考慮到這個機器學習演算法領域正在發生的快速變化，企業應該馬上開始機器學習演算法研究工作，不要期望獲得成熟的科學家團隊來順利完成機器學習演算法這樣的任務。

❼ 初學者如何學演算法

先看看兩本書，一本數據結構，一本離散數學。。。看完以後你就會。。。。

❽ 演算法怎麼學

貪心演算法的定義：

貪心演算法是指在對問題求解時，總是做出在當前看來是最好的選擇。也就是說，不從整體最優上加以考慮，只做出在某種意義上的局部最優解。貪心演算法不是對所有問題都能得到整體最優解，關鍵是貪心策略的選擇，選擇的貪心策略必須具備無後效性，即某個狀態以前的過程不會影響以後的狀態，只與當前狀態有關。

解題的一般步驟是：

1.建立數學模型來描述問題；

2.把求解的問題分成若干個子問題；

3.對每一子問題求解，得到子問題的局部最優解；

4.把子問題的局部最優解合成原來問題的一個解。

如果大家比較了解動態規劃，就會發現它們之間的相似之處。最優解問題大部分都可以拆分成一個個的子問題，把解空間的遍歷視作對子問題樹的遍歷，則以某種形式對樹整個的遍歷一遍就可以求出最優解，大部分情況下這是不可行的。貪心演算法和動態規劃本質上是對子問題樹的一種修剪，兩種演算法要求問題都具有的一個性質就是子問題最優性(組成最優解的每一個子問題的解，對於這個子問題本身肯定也是最優的)。動態規劃方法代表了這一類問題的一般解法，我們自底向上構造子問題的解，對每一個子樹的根，求出下面每一個葉子的值，並且以其中的最優值作為自身的值，其它的值舍棄。而貪心演算法是動態規劃方法的一個特例，可以證明每一個子樹的根的值不取決於下面葉子的值，而只取決於當前問題的狀況。換句話說，不需要知道一個節點所有子樹的情況，就可以求出這個節點的值。由於貪心演算法的這個特性，它對解空間樹的遍歷不需要自底向上，而只需要自根開始，選擇最優的路，一直走到底就可以了。

話不多說，我們來看幾個具體的例子慢慢理解它：

1.活動選擇問題

這是《演算法導論》上的例子，也是一個非常經典的問題。有n個需要在同一天使用同一個教室的活動a1,a2,…,an，教室同一時刻只能由一個活動使用。每個活動ai都有一個開始時間si和結束時間fi 。一旦被選擇後，活動ai就占據半開時間區間[si,fi)。如果[si,fi]和[sj,fj]互不重疊，ai和aj兩個活動就可以被安排在這一天。該問題就是要安排這些活動使得盡量多的活動能不沖突的舉行。例如下圖所示的活動集合S，其中各項活動按照結束時間單調遞增排序。

關於貪心演算法的基礎知識就簡要介紹到這里，希望能作為大家繼續深入學習的基礎。