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：

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：
$$sigmoid(w_{}$$