{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","uuid":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","normalized_title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","isbns":["9787302517986"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":490,"navigation_url":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E4%B8%8E%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%8A%80%E6%9C%AF%E5%AF%BC%E8%AE%BA","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","page_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/search"},"page":{"printed_page":210,"pdf_page":226,"physical_index":226,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"6a82478ce3e8ec7f3d357260e5eedd72e8f643f3d16a1f944984ba3b3cc33015"},"chapter":"第7章","content":"根据上述结构完成神经网络模型的代码：\n\n计算损失函数：\n\n.5 深度学习的优势\n\n在对深度学习的神经网络结构和原理有大致认识后，我们来分析一下这个结构为深度学习带来了什么优势。\n\n深度学习最大的一个优势在于，它整合了特征提取的过程，可以自动学习数据集的特征。我们在前文中提到，特征工程是机器学习极其重要的一个环节，需要我们在使用机器学习模型之前建立合适的特征集。但复杂、多层的神经网络具有自主学习原始特征并进行特征工程的能力，这让我们在一定条件下可以省去手动进行特征工程这一步骤，因为深度学习模型本身可以帮我们做到。\n\n这个结果对我们来说是相当诱人的。特征工程在人工进行的情况下耗时耗力，需要用统计方法研究特征的分布和相关性等特点进行构建、筛选、整合和重组。追求一个好的特征集能让我们的模型表现显著提升，但完美的特征集是可遇不可求的，因为特征集选取的可能性非常多，甚至是无限的。为了得到一个“最优”的特征集，我们经常要经过特征选择→模型评估→重新选择特征的反复循环过程。\n\n深度学习之所以能从原始数据中学习特征，其背后的原理大致可以这样解释：深度学习模仿了生物学神经元传递的过程，这一过程与人脑的工作原理十分相似。\n\n人工智能与大数据技术导论\n\n210","previous_page":209,"next_page":211}