为什么需要深度学习

为了科研项目的需求，作为在博一快结束时转而进行机器学习领域的研究。周围没有同事从事相关的研究，用最快的速度完成了对机器学习和深度学习的了解。我感觉经常问自己的一个问题就是为什么要从机器学习到深度学习？对我的科研工作有没有帮助。
我主要看了两个资料《Deep Learning Book MIT》introduction部分和《21天实战caffe》。第一本英文书已经讲得足够清楚，但是闭上书自己用中文表达，感觉只可意会不可言传。终于在这本中文书中找到了我认为比较理想的表达：

1960年后，线性分类器的局限性开始被认识到，它只能将输入空间切分为非常简单的区域，即由一个超平面分离的两个半区间。对于像图像和语音识别这类问题，需要输入-输出函数对输入的非相关变化（位置的变化，方向变化，光照变化，语音的高音和低音变化）不敏感，而对类别敏感（如白狼和萨摩耶犬）。 在像素级别，两张不同的姿态，不同环境下萨摩耶犬的照片会有极大的不同，而同样的背景，同样位置的萨摩耶犬和白狼的照片可能非常相似。对直接操作图像像素的线性分类器或者其他“浅层”分类器可能不容易区分后两张照片，同时将前两张放在同一类。这就是为什么浅层分类器需要好的特征提取器—有选择地产生图片中重要类别信息的表示，同时对无关信息如姿态具有不变性—-以解决选择无关的困境。
为了让分类器更强大，可以使用广义非线性特征以及核函数方法。但广义特征（如高斯核函数）泛华能力差，常规的方法是手动设计好的特征提取器，而这需要大量工程经验和领域专家才能完成。如果好的特征可以使用通过学习的方法自动学习得到，上述问题就可以避免，这是深度学习的核心优势。

想到周志华《机器学习》那本书，里面提到的纹理，根蒂，敲声….这些都是专家给出的特征，但是如果这些特征没有给出，那怎么办呢？这就是深度学习的工作了。