概念:什么是深度学习
1.人工智能(AI Artificiall Intelligence)
最为广泛的概念,指的是使机器能够模拟人类智能行为的技术和研究领域.AI包括理解语言,识别图像,解决问题等能力.
2.机器学习(ML Machine Learning)
机器学习是实现人工智能的一种方法.它涉及到算法和统计模型的使用,使得计算机系统能够从数据中学习和改进任务的执行,而不是通过明确的编程(函数)来实现.
3.深度学习(DL Deep Learning)
深度学习是机器学习的一种特殊方法,它使用称为神经网络是复杂结构,特别是深层的神经网络,来学习和做出预测.深度学习特别适合处理大规模和高纬度的数据,如图像,声音和文本.
机器学习与深度学习
- 深度学习模仿人类大脑的运行方式,从经验中学习获取新知识.这也是深度学习被看做黑盒子,可解释性差的原因,深度学习尤其擅长处理高维数据,如图像和文本.
- 所有深度学习都是机器学习,但并不是所有机器学习都是深度学习.深度学习的崛起深度学习的崛起源于其在处理特定类型的大数据问题上的卓越能力，尤其是那些传统机器学习算法难以处理的复杂问题。然而，对于某些任务和数据集，更简单的机器学习方法可能更加有效和适合。
- 在深度学习的过程中，每一层神经网络都对输入数据进行处理，从而学习到数据中的特征和模式。例如，在图像识别任务中，第一层可能会识别边缘，第二层可能会识别形状，更深的层则可能识别复杂的对象特征，如面孔。这些层通过大量数据的训练，逐渐优化它们的参数，从而提高模型的识别或预测能力。
- 深度学习的关键之一是“反向传播”算法，它通过计算损失函数（即实际输出与期望输出之间的差异）并将这种误差反馈回网络的每一层，来调整每层的权重。这种方法使得网络能够从错误中学习并不断改进。
- 深度学习的一个重要的概念是“特征学习”，这意味着深度学习模型能够自动发现和利用数据中的有用特征，而无需人工介入。这与传统的机器学习方法不同，后者通常需要专家提前定义和选择特征。
- 深度学习的成功依赖于大量的数据和强大的计算能力。随着数据量的增长和计算技术的发展，深度学习模型在图像和语音识别、自然语言处理、游戏、医疗诊断等多个领域取得了显著成就。它通过提供更精确和复杂的数据处理能力，推动了人工智能技术的飞速发展。然而，这种技术也面临挑战，如需求大量的训练数据，模型的复杂性和不透明性，以及对计算资源的高需求。尽管如此，深度学习仍然是当今最激动人心的技术前沿之一，其应用潜力巨大。
总的来说:
优点:
简单方便:自动提取特征,适合复杂数据,端到端学习,简化流程.
性能强大高精度,适应性强,并且随着算力和新模型发展会越来越强
缺点:
依赖大数据,小样本可能会过拟合
计算成本高
端到端学习->黑盒学习,可解释性差
深度学习发展史
