传统机器学习算法的特征:输入-》人工特征提取-》权重学习-》预测结果
深度学习算法: 输入-》基础特征提取-》多层复杂特征提取-》权重学习-》预测结果
例如深度学习在图像中的应用:
输入-》基础特征提取(基础特征:图片像素)-》多层复杂特征提取(第一层(线条),第二层(简单形状)第三层(复杂形状))-》权重学习-》预测结果
机器学习领域三大方向:自然语言处理、计算机视觉和语音识别
1958年提出感知机模型,是首个可以根据样例数据来学习特征权重的模型。
二十世纪八十年代神经网络研究印分布式知识表达和神经网络反向传播算法的提出而兴起。至今反向传播算法仍是训练神经网络的主要方法。
LSTM模型:1991年提出,可有效对较长的序列进行建模,主要应用:自然语言处理、机器翻译、语音识别、时序预测等。
1998年,使用支持向量机算法可将手写字符识别错误率降低到0.8%。
随着GPU、云计算的出现,深度学习开始了新的高潮。
深度学习最早兴起于图像识别,其中计算机视觉是深度学习技术最早实现突破性成就的领域。