深度学习简介

一、人工智能、机器学习与深度学习

1.定义

2.传统机器学习和深度学习流程对比

3.人工智能、机器学习以及深度学习之间的关系

二、深度学习的应用

1.计算机视觉--图像识别

2.语音识别

3.自然语言处理(NLP)

4.人机博弈

三、深度学习工具介绍和对比

一、人工智能、机器学习与深度学习

1.定义

业界对机器学习的专业定义：如果一个程序可以在任务T上，随着经验E的增加，效果P也可以随之增加，则这个程序可以从经验中学习，这个过程称之为机器学习的过程。

2.传统机器学习和深度学习流程对比

3.人工智能、机器学习以及深度学习之间的关系

人工智能是一类非常广泛的问题，机器学习是解决这类问题的一个重要手段。深度学习是机器学习的一个分支。

深度学习的方法突破了传统机器学习方法的瓶颈，推动了人工智能领域的发展。

二、深度学习的应用

1.计算机视觉--图像识别

计算机视觉是深度学习技术最早实现突破性成就的领域。

【图像分类】

随着2012年基于ImageNet数据集，深度学习算法AlexNet赢得图像分类比赛ILSVRC冠军，深度学习开始受到学术界广泛关注。

News： 李飞飞：ImageNet证明深度学习需要海量数据支持

在谷歌，图像分类、物体识别技术已经被广泛应用于谷歌无人驾驶车、YouTube、谷歌地图、谷歌以图搜图等产品。

【人脸识别】

在人脸识别数据集LFW(Labeled Faces in the Wild)上，深度学习算法的系统DeepID2可以达到99.47%的识别率。

【光学字符识别】

定义：将计算法纪无法理解的图片中的字符，比如数字、字母、汉字等符号，转化为计算机可以理解的文本格式。

实例：基于Yann LeCun教授的 MNIST手写体识别

2.语音识别

基于TIMIT数据集，语音识别的错误率由基于传统的混合高斯模型（GMM）的21.7%降低到了使用深度学习模型的17.9%，然后引起了学术界和工业界广泛关注。

基于深度学习的语音识别目前被应用于苹果的Siri系统、Android的谷歌语音搜索、微软的skype的同声传译。

3.自然语言处理(NLP)

自然语言处理（Natural Language Processing，简称NLP）就是用计算机来处理、理解以及运用人类语言(如中文、英文等)

举个NLP面临的问题实例：

句子“我们把香蕉给猴子，因为它们饿了”和“我们把香蕉给猴子，因为它们熟透了”有同样的结构。但是代词“它们”在第一句中指的是“猴子”，在第二句中指的是“香蕉”。如果不了解猴子和香蕉的属性，无法区分。

自然语言处理的主要范畴：

情感分析

文本朗读（ Text to speech）/语音合成（Speech synthesis）

语音识别（Speech recognition）

中文自动分词（Chinese word segmentation）

词性标注（Part-of-speech tagging）

句法分析（Parsing）

自然语言生成（Natural language generation）

文本分类（Text categorization）

信息检索（Information retrieval）

信息抽取（Information extraction）

文字校对（Text-proofing）

问答系统（Question answering）

机器翻译（Machine translation）

自动摘要（Automatic summarization）

文字蕴涵（Textual entailment）

4.人机博弈

2016年3月15日 AlphaGo 4:1 击败韩国选手李世石

三、深度学习工具介绍和对比

无论在获得的星数（start）还是在被fork的此书上，Tensorflow都要远超其他深度学习工具