什么是深度学习?
深度学习试图模仿人脑,尽管与大脑的能力相去甚远,使其能够从大量数据中“学习”。
旨在使系统能够以难以置信的准确度对数据进行聚类并做出预测。
深度学习是机器学习的一个子集,它本质上是一个三层或更多层的神经网络,虽然单层的神经网络仍然可以进行近似预测,但额外的隐藏层可以帮助优化和改进准确性。
深度学习驱动了许多人工智能 (AI)应用程序和服务,这些应用程序和服务可提高自动化、执行分析和物理任务而无需人工干预。
深度学习技术支持日常产品和服务(例如数字助理、支持语音的电视遥控器和信用卡欺诈检测)以及新兴技术(例如自动驾驶汽车)。
深度学习与机器学习
如果深度学习是机器学习的一个子集,它们有什么区别?
深度学习与经典机器学习的区别在于它使用的数据类型和学习方法。
机器学习算法利用结构化的标记数据进行预测——这意味着从模型的输入数据中定义特定特征并组织到表格中。
这并不一定意味着它不使用非结构化数据,通常会通过一些预处理将其组织成结构化的格式。
深度学习消除了机器学习通常涉及的一些数据预处理。
这些算法可以摄取和处理非结构化数据,如文本和图像,并自动提取特征,消除对人类专家的一些依赖。例如,假设我们有一组不同宠物的照片,我们想按“猫”、“狗”、“仓鼠”等进行分类。
深度学习算法可以确定哪些特征(例如耳朵)对于区分每只动物最重要。而不像在机器学习中,这种特征层次结构是由人类专家手动建立的。
然后,通过梯度下降和反向传播的过程,深度学习算法调整和适应自身的准确性,使其能够以更高的精度对动物的新照片进行预测。