深度学习的概念、task及学习资料

我们先看一下机器学习：

概念：

机器学习（Machine Learning）是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能的学科。

应用：
图像识别、语音识别、自然语言理解、天气预测、基因表达、内容推荐等等。

大概流程：
获得数据–预处理–特征提取–特征选择–推理、预测或识别。

核心步骤：提取特征

• 好的特征应具有不变性（大小、尺度和旋转等）和可区分性。

• 现在的特征提取都是人工的（比如情感分析中我们提取形容词为特征）。

• 人工提取特征费力、启发式（需要专业知识），能不能选取好很大程度上靠经验和运气，而且它的调节需要大量的时间。

所以，深度学习 就来解决这个问题了。

深度学习的引入

人脑可以根据不同东西的特点来识别的原理是什么？有人研究了大脑结构以及大脑中的神经系统的工作原理，简单可以概括为：
神经-中枢-大脑的工作过程是一个不断迭代、不断抽象的过程。

深度学习就是模仿神经系统的工作原理，从输入到输出，要经过很多神经元从而进行不断的抽象与迭代的过程。

深度学习的思想：
堆叠多个层，也就是说这一层的输出作为下一层的输入。通过这种方式，就可以实现对输入信息进行分级表达了。

Deep Learning能够自动地学习出数据的另外一种表示方法，这种表示可以作为特征加入原有问题的特征集合中，从而可以提高学习方法的效果，是目前业界的研究热点。

浅层学习与深度学习

浅层学习算法的提出：
bp算法（用于人工神经网络的反向传播算法，Back Propagation）

利用BP算法可以让一个人工神经网络模型从大量训练样本中学习统计规律，从而对未知事件做预测。

浅层机器学习模型的提出：
我们熟知的很多机器学习模型，比如svm、boosting、逻辑