深度学习简介

深度学习简介

一.简介

经过了对传统的机器学习算法的一些学习之后,查了一些关于深度学习的资料。网上对于深度学习的概念往往比较抽象,难以理解。毕竟在现实当中,人工智能,机器学习,深度学习经常性的被人同时提及,这三个到底是什么关系?深度学习又是啥?

关于这个问题,其实应该从人工智能开始说起。人工智能其实早在20世纪50年代就提出来了。但当时,或者由于没有什么好的算法,而且,即使有算法,以当时的计算机算力,硬件水平还有稀少的数据量也很难实现。
但是,步入21世纪之后,随着计算机硬件的水平越来越高,网络技术的飞速发展带来的数据的爆炸式增长。很多算法的实现已经具备了条件。在这个时候,“机器学习”以及“深度学习”开始越来越多的被人提及。

机器学习是实现人工智能的一种方式
至于说机器学习,其实这个也不是什么新概念,早在人工智能被提出的时候,机器学习这个名词就已经存在了(1950年,传奇人物阿兰-图灵就提出过要建造一个学习机器)。而当中的很多数学理论,其实早在牛顿的那个时代就已经提出了。
机器学习最基本的做法,是使用算法来解析数据、从中学习,然后对真实世界中的事件做出决策和预测。它直接来源于早期的人工智能领域,包含一些传统的算法,比如我们之前学的k-近邻,线性回归,决策树、聚类、贝叶斯分类、SVM、提升算法等等。从学习方法上来分,机器学习算法可以分为监督学习(如分类问题)、无监督学习(如聚类问题)等。

深度学习是一种实现机器学习的方法
实现机器学习的方式其实有很多。深度学习只是其中的一个。但是,随着算力的提升,硬件的不断升级,深度学习开始越来越多的被使用。
深度学习的一个核心概念,就是“神经网络”。知道什么是神经网络,对于理解整个深度学习的逻辑有很重要的作用。

那么,人工智能,机器学习,深度学习到底是什么关系呢?
我们直接看这个图:
在这里插入图片描述
是不是很清晰明了呢?

二.深度学习的核心——神经网络

2.1什么是神经网络

关于这个神经网络这个词,听起来很高大上,但实际上,它直观上并不复杂。我们以逻辑回归为例,通过对逻辑回归的学习,我们知道,逻辑回归主要是处理二分类问题,一个线性方程,代入到一个Sigmoid函数当中,就是逻辑回归的核心要点。那么,我们把多个逻辑回归进行组合呢?比如说像下面这个图:
在这里插入图片描述
在这个图中,每一个箭头都代表传入的权值,正方形代表截距。以左上角的为例,其实就相当于:
s i g m o i d ( w 1 x 1 + w 2 x 2 + w 3 x 3 + b ) sigmoid(w_{1}x_{1} + w_{2}x_{2} + w_{3}x_{3} + b) sigmoid(w

  • 5
    点赞
  • 59
    收藏
    觉得还不错? 一键收藏
  • 3
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值