(二)人工智能应用--深度学习原理与实战--机器学习简史

深度学习已经得到了人工智能历史上前所未有的关注度和产业投资，但这并不是机器学习的第一次成功。当前工业界依然在大量使用经典的机器学习方法。作为机器学习的子集，深度学习不一定是解决问题的最佳工具，比如，当没有足够的数据或合适的硬件支撑时，深度学习不并适用，或者用经典的机器学习算法已经可以更好地解决问题时。

本章节简要回顾经典的机器学习方法,将深度学习放入机器学习的大背景中，并更好地理解深度学习的起源以及它什么如此重要。

一、认识概率建模方法

概率建模(ProbabiListic ModeLing)是统计学原理在数据分析中的应用。它是最早的机器学习形式之一，至今仍在广泛使用。

最有名的概率算法之一就是朴素贝叶斯算法。朴素贝叶斯是一种基于应用贝叶斯定理的机器学习分类模型，它假设输入数据的特征都是独立的，这是一个很强的假设，或春说“机素的”假设，其各称正来源于此。机素贝叶斯方法比计算机出现得诬要早，在其第一次被计算机实现的П十年前就已经靠人工计算来应用了。

另一个著名的概率模型是逻辑回归(Logistic Regression) 。不要被它的名称所误导，它是一种分类算法，而不是回归算法。与朴素贝叶斯类似，逻辑回归的出现也比计算机早很长时间，但由于它既简单又有效，至今仍然广泛应用于分类领域，而且通常是被优先尝试的分类算法之一。

早期的神经网络
早在20世纪50年代，