1 深度学习
1.1 概述
深度学习(英语:deep learning),是一个多层神经网络是一种机器学习方法(即是机器学习的一个子集)。在深度学习出现之前,由于诸如局部最优解和梯度消失之类的技术问题,没有对具有四层或更多层的深度神经网络进行充分的训练,并且其性能也不佳。但是,近年来,Hinton等人通过研究多层神经网络,提高学习所需的计算机功能以及通过Web的开发促进培训数据的采购,使充分学习成为可能。结果,它显示出高性能,压倒了其他方法,解决了与语音,图像和自然语言有关的问题,并在2010年代流行。
1.2 原理
深度学习由神经网络层驱动。神经网络由一系列算法按照人类大脑的工作方式松散建模而成,而使用大量数据进行训练,即对神经网络的神经进行配置。经过训练后,深度学习模型可以处理新数据,能够摄取并实时分析多个来源的数据,无需人为干预。在深度学习中,图形处理单元 (GPU) 可以同时处理多个计算,以优化方式训练深度学习模型。
2 机器学习
2.1 概述
机器学习是一门关于数据学习的科学技术,它能帮助机器从现有的复杂数据中学习规律,以预测未来的行为结果和趋势。
2.2 机器学习的分类
(1)监督学习(Supervised Learning) :其训练数据包含了结果信息,如在线线模型中存在y值。在监督学习中,典型的问题是分类(Classification)和回归(Regression) 。
(2)无监督学习(Unsupervised Learning) :训练数据中不包含任何结果信息。其典型的问题为聚类(Clustering) 问题。
(3)半监督学习(Semi-SupervisedLearning) :训练数据中有-部分数据包含结果信息,同时有一部分数据不包含结果信息, 是监督学习和无监督学习的融合。其任务对不包含结果信息的数据进行拓展。
(4)增强学习(Reinforcement Learning) :以“试错的方式进行学习,过与环境进行交互获得的奖赏指导行为,目标是获得最大的奖赏。
3 神经网络
3.1 概述
神经网络是人工智能技术的代表之一,随着计算机性能的不断增强,神经网络的有效性毋庸置疑,它已被广泛应用于IT、机械、电气、医学分析等各行各业。
神经网络模型分为基本模型和架构模型,架构模型以基本模型为组件,以理论为支撑,构建一个性能优于基本模型的网络架构,比如生成对抗网络、Seq2Seq、残差网络、自编码器等等,这些模型都被证明具有良好的性能,并用于图像处理和自然语言处理中。基本模型,例如全连接网络、CNN、RNN等,提取特征能力较为单一,无法应对复杂的应用环境,故寻找基础理论支撑架构模型的构建是非常有意义的。
3.2 图像定义
4 总结
4.1 人工智能,机器学习和深度学习之间的关系
- 机器学习:一种实现人工智能的方法
- 深度学习:一种实现机器学习的技术
- 神经网络:一种机器学习的方法