本文介绍了深度学习的起源，将其定义为一种机器学习方法，通过多层次的概念构建来解决问题。深度学习模型，如多层感知机，通过简单的函数组合提供表示学习。文章提到了深度学习的三次发展浪潮，包括联结主义时期的神经网络，以及2006年后深度信念网络的出现。深度学习已经在图像识别、语音识别等领域展现出优越性能，并且相关的软件框架如TensorFlow等为研究提供了支持。
第一章 引言
深度学习是机器学习的一种方法，它大量借鉴了关于人脑、统计学和应用数学的知识。
-
使用机器学习来发掘表示本身，而不仅仅把表示映射到输出，这种方法称之表示学习（representation learning）。学习到的表示往往比手动设计的表示表现得更好。
-
当设计特征货设计用于学习特征的算法时，我们的目标通常是分离出能解释观察数据的变差因素(factors of variation)。例如：当分析语音记录时，变差因素包括说话者的年龄、性别、他们的口音和他们正在说的词语。
-
在许多显示的AI应用中，困难主要源于多个变差因素同时影响着我们能够观察到的每一个数据。例如：在一张包含红色汽车的图片中，其单个像素在夜间可能会非常接近黑色
-
深度学习(deep learning)让计算机通过简单的概念构建复杂的概念。解决了表示学习中的核心问题。
-
深度学习模型的电信例子是前馈深度网络或者多层感知机(multilayer perceptron,MLP)。MLP仅仅是一个将一组输入值映射到输出值的数学函数，它由许多较简单的函数复合而成。我们可以认为不同数学函数的每次应用都为输入提供了新的表示。
-
2种主要度量模型深度的方式
- 基于评估架构所需执行的顺序指令的数目（流程图的最长路径）。
- 深度概率模型中使用的方法&#
最低0.47元/天 解锁文章
扫一扫
3599
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
