算法学习过程

❶ 请教 算法工程师的学习流程是怎样的

淋的,惨不忍睹……
小男孩被送到了医院,闻讯赶来的家属痛苦流涕,拼命地捶打着哑口无言的司机,时间一分一秒的流
逝着,小男孩在手术室中呆了六个多小时,过了不久,医生出来了,摇了摇头,很遗憾地说：“对不起,
我们已经尽力了,现在他的四肢残废,如果想要治疗,就要去松江,但希望很小,希望你们做好心理准备
.”小男孩的妈妈听了,差点晕了过去.小男孩的家属决定还是搏一搏,可

❷ (1)BP算法的学习过程中有两个过程是什么(2)写出BP神经网络的数学模型,并以20

bp（back propagation）网络是1986年由rumelhart和mccelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。bp网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。bp神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。
人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。

人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“a”、“b”两个字母的识别为例进行说明，规定当“a”输入网络时，应该输出“1”，而当输入为“b”时，输出为“0”。

所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“a”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“a”模式输入时，仍然能作出正确的判断。

如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“a”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“a”、“b”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。

如图所示拓扑结构的单隐层前馈网络，一般称为三层前馈网或三层感知器，即：输入层、中间层（也称隐层）和输出层。它的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，构成具有层次结构的前馈型神经网络系统。单计算层前馈神经网络只能求解线性可分问题，能够求解非线性问题的网络必须是具有隐层的多层神经网络。
神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。主要的研究工作集中在以下几个方面：

（1）生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物科学方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。

（2）建立理论模型。根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。

（3）网络模型与算法研究。在理论模型研究的基础上构作具体的神经网络模型，以实现计算机模拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。

（4）人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系统、制成机器人等等。

纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子，生命起源等科学技术领域的进程中历经了崎岖不平的道路。我们也会看到，探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异。
神经网络可以用作分类、聚类、预测等。神经网络需要有一定量的历史数据，通过历史数据的训练，网络可以学习到数据中隐含的知识。在你的问题中，首先要找到某些问题的一些特征，以及对应的评价数据，用这些数据来训练神经网络。

虽然bp网络得到了广泛的应用，但自身也存在一些缺陷和不足，主要包括以下几个方面的问题。

首先，由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于一些复杂问题，bp算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进。

其次，bp算法可以使权值收敛到某个值，但并不保证其为误差平面的全局最小值，这是因为采用梯度下降法可能产生一个局部最小值。对于这个问题，可以采用附加动量法来解决。

再次，网络隐含层的层数和单元数的选择尚无理论上的指导，一般是根据经验或者通过反复实验确定。因此，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。

最后，网络的学习和记忆具有不稳定性。也就是说，如果增加了学习样本，训练好的网络就需要从头开始训练，对于以前的权值和阈值是没有记忆的。但是可以将预测、分类或聚类做的比较好的权值保存。

❸ 关于算法的学习过程

你说的应该是计算机算法吧，如果真要在这上面深究的话，建议还是提高数学基础，最基础的两门课是离散数学与数据结构，当然一般高校的教材都还是比较不错的，数据结构这个东西一开始比较抽象，等你学过后悟一悟就会发现很有意思，把它学好，争取能自己理解并实际编程实现常用的所有数据结构及其相关算法，然后就看“计算机算法基础”这本书吧，从分治法到回溯法等等等等，把常用的算法（典型问题）学会并用程序实现它们，这样的话就差不多了。推荐几本书：《数据结构》、《计算机算法基础》、《算法:C语言实现》(两本,普林斯顿大学的Robert着)。另外，当你基础够好的时候，就看看算法界的宗师Donald E. Knuth(高德纳)的经典算法巨作<The Art Of Computer Programming>（简称TAOCP，共3卷）及其有关数学基础的书<具体数学>.
当你把这一切都学完（学会）之后，相信你的算法水平已经到了个相当的高度。比尔·盖茨曾说过，如果学完了3卷TAOCP，就把简历寄给他。努力吧！算法很有趣，一步步来，相信你会成功的。

❹ 什么是BP学习算法

误差反向传播（Error
Back
Propagation,
BP）算法
1、BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。
1）正向传播：输入样本－>输入层－>各隐层（处理）－>输出层
注1：若输出层实际输出与期望输出（教师信号）不符，则转入2）（误差反向传播过程）
2）误差反向传播：输出误差（某种形式）－>隐层（逐层）－>输入层
其主要目的是通过将输出误差反传，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值（其过程，是一个权值调整的过程）。
BP算法基本介绍
含有隐层的多层前馈网络能大大提高神经网络的分类能力，但长期以来没有提出解决权值调整问题的游戏算法。1986年，Rumelhart和McCelland领导的科学家小组在《Parallel
Distributed
Processing》一书中，对具有非线性连续转移函数的多层前馈网络的误差反向传播（Error
Back
Proragation，简称BP）算法进行了详尽的分析，实现了Minsky关于多层网络的设想。由于多层前馈网络的训练经常采用误差反向传播算法，人们也常把将多层前馈网络直接称为BP网络。
BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传人，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出(教师信号)不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。

❺ 怎么学习算法

找一些关于某种算法的经典代码看，最好是多看代码加深对算法的理解

❻ 机器学习算法的机器学习算法走起来

尽管机器学习算法能够提供多种好处，但是在使用机器学习算法过程中也有可能导致严重问题。机器学习算法初学者需要理解所输入数据、项目范围和目标，以及工作中使用的机器学习算法。机器学习是很多大数据项目背后的重要推动力量，但是即便IT部门投入大量精力，在机器学习算法具体实施过程当中事情也有可能朝着错误的方向发展。不幸的是，如果你没有牢固掌握机器学习算法所输入数据的质量和准确性、实际的业务目标以及真实环境限制，那么机器学习算法预测模型很有可能具有严重的潜在风险（比如无法避免黑天鹅效应）。对于机器学习算法和大数据初学者来说，很容易编写出效率低下的机器学习算法复杂模型或者对特定数据进行重复分析。事实上，在将这种机器学习算法“广义”模型应用到生产环境之前，很难判定哪种才算是最佳方式。另外一种机器学习算法挑战是成功的定义会随着不同的使用情况而出现巨大差异。针对特定机器学习算法测试数据，可以使用数十种机器学习算法指标来描述机器学习算法模型数据输出结果的质量和准确性。即机器学习算法便对于IT专家来说，其至少需要熟悉机器学习算法输出结果的相关指标，并且了解各种机器学习算法象限知识，比如真正（True Positive）被模型预测为正的正样本、真负（True Negative）被模型预测为负的负样本、假正（False Positive ）被模型预测为正的负样本、假负（False Negative）被模型预测为负的正样本等。在机器学习算法和大数据领域，许多关键机器学习算法指标都是根据这四种基本机器学习算法测量结果推导而来。比如，通常会使用正确标记（真正+真负）的实例数量除以总实例数量来定义机器学习算法整体准确性。如果想要了解究竟有多少个正确的机器学习算法正实例，敏感性（或者召回率）就是真正的机器学习算法数量除以实际正数量（真正+假正）所得到的比例。通常机器学习算法精确度也是十分重要的，也就是真正（True Positive）的数量除以所有被标记为正（真正+假正）的项目之和。机器学习算法将所有都标记为正的简化模型将会有100%的召回率，但是机器学习算法精确度和准确性会非常差——这种机器学习算法模型能够找到一切，但是机器学习算法却不能将小麦从谷壳当中挑选出来。因此通常需要机器学习算法从这些指标当中进行抉择以寻找最佳平衡点。在一些基于机器学习算法的大数据应用领域当中，比如机器学习算法针对性营销，机器学习算法相比于随机选择目标客户这种传统方式来说能够提高20%的效率。在其他领域当中，比如对100万人进行癌症检查时，即便是99%的准确率也会导致极其严重的后果：假设癌症的发病率非常低，那么这1%当中的大部分就是假正，从而导致需要对将近1万人进行不必要的治疗。这种情况促使我们开始思考机器学习算法对于IT领域的影响。首先，主机存储和计算平台应该和尝试学习的种类相匹配。有时候应该进行离线机器学习算法，机器学习算法将结果模型应用在生产环境的简单计算步骤当中。而在其他时间机器学习算法是持续或者反复出现的（比如强化机器学习算法），需要更加靠近当前的数据流。相比于使用其他大数据扩展集群（比如Apache Mahout、MLlib和Madlib）的可分区库来说，一些机器学习算法能够实现更好可扩展性，然而其他方式可能需要更高速的计算互联通道以及读写事务存储架构以提高计算效率。机器学习算法可以使用一些内存工具来完成大型交付式数据挖掘或者预测工作，并且机器学习算法降低延迟。还有一些根据生产环境当中API调用情况进行收费的云主机机器学习算法服务，对于存储在云中的数据来说这种方式能提升成本效率。如果你已经拥有固定的程序业务领域， 只是想要随意探索一下或者刚刚开始研究机器学习算法，那么机器学习算法可以使用Python和其他语言当中提供的相关免费包。你甚至可以在微软Azure当中注册一个免费开发、基于云的主机学习工作室。这些机器学习算法产品当中的大多数都可以运行在本地主机的小型数据集合上，或者机器学习算法针对生产环境扩展为大型数据集合。机器学习算法是一个十分热门的领域，每天我们都能听到厂商保证自己的特定机器学习算法产品能够简化平均业务分析过程。所有这些机器学习算法预测模型都不具有人工智能。是的，通过寻找和探索数据方面的更深层次模型，其能够提供真实和多种业务优势，但是通过这种机器学习算法方式建立的一切都是相关性。就像学校经常告诉我们的一样，相关性不代表明确的因果关系。但是，考虑到现在应用机器学习算法技术已经变得非常容易——只需要研究感兴趣的机器学习算法数据集合，因此所有IT部门都可以学习自己的内部专业知识——收集和清除数据、制定开发流程、协助模型效果等，并且机器学习算法应用在生产环境当中。在数据科学方面的专业知识是非常宝贵和难得的，但是考虑到这个机器学习算法领域正在发生的快速变化，企业应该马上开始机器学习算法研究工作，不要期望获得成熟的科学家团队来顺利完成机器学习算法这样的任务。

❼ 初学者如何学算法

先看看两本书，一本数据结构，一本离散数学。。。看完以后你就会。。。。

❽ 算法怎么学

贪心算法的定义：

贪心算法是指在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，只做出在某种意义上的局部最优解。贪心算法不是对所有问题都能得到整体最优解，关键是贪心策略的选择，选择的贪心策略必须具备无后效性，即某个状态以前的过程不会影响以后的状态，只与当前状态有关。

解题的一般步骤是：

1.建立数学模型来描述问题；

2.把求解的问题分成若干个子问题；

3.对每一子问题求解，得到子问题的局部最优解；

4.把子问题的局部最优解合成原来问题的一个解。

如果大家比较了解动态规划，就会发现它们之间的相似之处。最优解问题大部分都可以拆分成一个个的子问题，把解空间的遍历视作对子问题树的遍历，则以某种形式对树整个的遍历一遍就可以求出最优解，大部分情况下这是不可行的。贪心算法和动态规划本质上是对子问题树的一种修剪，两种算法要求问题都具有的一个性质就是子问题最优性(组成最优解的每一个子问题的解，对于这个子问题本身肯定也是最优的)。动态规划方法代表了这一类问题的一般解法，我们自底向上构造子问题的解，对每一个子树的根，求出下面每一个叶子的值，并且以其中的最优值作为自身的值，其它的值舍弃。而贪心算法是动态规划方法的一个特例，可以证明每一个子树的根的值不取决于下面叶子的值，而只取决于当前问题的状况。换句话说，不需要知道一个节点所有子树的情况，就可以求出这个节点的值。由于贪心算法的这个特性，它对解空间树的遍历不需要自底向上，而只需要自根开始，选择最优的路，一直走到底就可以了。

话不多说，我们来看几个具体的例子慢慢理解它：

1.活动选择问题

这是《算法导论》上的例子，也是一个非常经典的问题。有n个需要在同一天使用同一个教室的活动a1,a2,…,an，教室同一时刻只能由一个活动使用。每个活动ai都有一个开始时间si和结束时间fi 。一旦被选择后，活动ai就占据半开时间区间[si,fi)。如果[si,fi]和[sj,fj]互不重叠，ai和aj两个活动就可以被安排在这一天。该问题就是要安排这些活动使得尽量多的活动能不冲突的举行。例如下图所示的活动集合S，其中各项活动按照结束时间单调递增排序。

关于贪心算法的基础知识就简要介绍到这里，希望能作为大家继续深入学习的基础。