比起深度学习,机器学习更耳熟能详。
机器学习:是人工智能的一个分支,致力于研究如何通过计算的手段,利用“经验”来改善计算机系统自身的性能。
这种“经验”,是对应以“特征”形式存储的“数据(data)”,传统的机器学习算法所做的事情是依靠这些数据来产生“模型(model)”
但是,对于一些任务,人类根本不知道如何用“特征”来有效的表示“数据”。
ep:人们知道一辆车的样子,但完全不知道怎样设计的像素值配合起来才能让机器“看懂”这是一辆车。
这种情况就会导致,若特征造的不好,最终学习任务的性能也会受到极大程度的制约。
于是,人们尝试将特征学习这一过程也用机器自动的“学”出来,这便是“表示学习(representation learning)”
深度学习 是 表示学习中的一个经典代表。
深度学习:以数据的原始形态(raw data )作为算法输入,经过算法层层抽象将原始数据逐层抽象为自身任务所需要的最终特征表示,最后以特征到任务目标的映射(mapping)作为结束。
相比机器学习算法仅学得模型这一单一“任务模块”而言,深度学习除了“模型学习“,还有”特征学习“,”特征抽象“等任务模块的参与。
深度学习代表算法-->神经网络算法 包括:
- 深度置信网络(deep belief network)
- 递归神经网络(recurrent neural network)
- 卷积神经网络(Convolution Neural Network 简称:CNN)
当下,深度学习之所以能如此鼎盛,原因由三:
- 高性能计算硬件的实现
- 有效数据的急剧扩增
- 训练方法的大幅度完善
深度学习的伟大意义在于,它就像一个人工智能时代人类不可或缺的工具,真正让研究者或工程师摆脱了复杂的特征工程,从而可以专注于解决更加宏观的关键问题。