表示学习
使用机器学习来挖掘表示本身(从原始数据集学习特征表示)。
手动为一个复杂的任务设计特征需要耗费大量的人工时间和精力,使用表示学习学习到的表示,往往比手动设计的表示表现得更好。表示学习算法的经典例子是自编码器(AutoEncoder)
无监督学习网络有:自动编码器(AE),深度信念网络(DBN),生产对抗网络(GAN)。
深度学习是一种特定类型的机器学习,具有强大的能力和灵活性,它将大千世界表示为嵌套的层次概念体系(由较简单概念间的联系定义复杂概念、从一般抽象概括到高级抽象表示)。这就区别于一般的机器学习,深度学习不需要人工定义特征,因为它能自动学习特征,这也意味着不用懂得太多领域相关的知识。
深度学习经历了三次发展浪潮:20世纪40年代到60年代深度学习的雏形初现在控制论(cybernetics)中,20世纪80年代到90年代深度学习表现为联结主义(connectionism),2006年,以深度学习之名复兴。
联结主义的中心思想是,当网络将大量简单的计算单元连接在一起时可以实现智能行为。在这第二次发展浪潮中,至今仍非常重要的两个概念:
- 分布式表示:系统的每个输入都应该由多个特征表示,并且每一个特征都应该参与到多个可能输入的表示。比如,(红、绿、蓝)(卡车、轿车、人类),这有9种类型的输入,但我们可以仅仅使用6个神经元就能表示这些输入。
- 反向传播
深度学习能有第三次发展浪潮的因素:
- 神经网络算法的发展(模型规模以及处理算法的更进)
- 与日俱增的数据量
- GPU的使用以及硬件的发展