1.1 起源
随着时间的流逝,神经网络的生物学解决被稀释,但仍保留了这个名字。时至今日,绝大多数神经网络都包括以下的原则:
·交替使用线性处理单元与非线性处理单元,它们经常被称为“层”。
·使用链式法则(即反向传播)来更新网络的参数。
早期机器学习研究者放弃神经网络的原因:
- 20世纪末的计算力不足。
- 当时使用的数据集相对小得多,导致可用于训练的数据量稀缺。
1.2 发展
数据样本个数增长、GPU的出现导致计算力的增长->统计模型、应用、算法的进展。
1.3 成功案例
智能助手、图像识别、博弈、自动驾驶
1.4 特点
机器学习、表征学习和深度学习的关系:
机器学习研究如何使计算机系统利用经验改善性能;
在机器学习的众多研究方向中,表征学习关注如何自动找出表示数据的合适方式,以便更好地将输入变换为正确的输出;
深度学是具有多级表示的表征学习方法。
深度学习的特点:
- 可以逐级表示越来越抽象的概念或模式;
- 不是将单独调试的部分拼凑组成一个系统,而是将整个系统组建好之后一起训练;
- 正在从含参数统计模型转向无参数的模型;
- 对非最优解的包含、非凸非线性优化的使用。