深度学习与神经网络VIP免费

CDA数据分析研究院出品，转载需授权深度学习是机器学习的一个子领域，研究的算法灵感来自于大脑的结构和功能，称为人工神经网络。如果你现在刚刚开始进入深度学习领域，或者你曾经有过一些神经网络的经验，你可能会感到困惑。因为我知道我刚开始的时候有很多的困惑，我的许多同事和朋友也是这样。因为他们在20世纪90年代和21世纪初就已经学习和使用神经网络了。该领域的领导者和专家对深度学习的观点都有自己的见解，这些具体而细微的观点为深度学习的内容提供了很多依据。在这篇文章中，您将通过听取该领域的一系列专家和领导者的意见，来了解什么是深度学习以及它的内容。来让我们一探究竟吧。深度学习是一种大型的神经网络Coursera的AndrewNg和百度研究的首席科学家正式创立了GoogleBrain,最终导致了大量Google服务中的深度学习技术的产品化。他已经说了很多关于深度学习的内容并且也写了很多，这是一个很好的开始。在深度学习的早期讨论中，Andrew描述了传统人工神经网络背景下的深度学习。在2013年的题为“深度学习，自学习和无监督特征学习”的演讲中“他将深度学习的理念描述为：这是我在大脑中模拟的对深度学习的希望：-使学习算法更好，更容易使用。-在机器学习和人工智能方面取得革命性进展。我相信这是我们迈向真正人工智能的最好机会>为什么选择深度学习卜性老—代的学A]W\/■能Z数据科数据量学技术如何利用大量数据进行扩展后来他的评论变得更加细致入微了。Andrew认为的深度学习的核心是我们现在拥有足够快的计算机和足够多的数据来实际训练大型神经网络。在2015年ExtractConf大会上，当他的题目“科学家应该了解深度学习的数据”讨论到为什么现在是深度学习起飞的时候，他评论道：我们现在拥有的非常大的神经网络以及我们可以访问的大量数据他还评论了一个重要的观点，那就是一切都与规模有关。当我们构建更大的神经网络并用越来越多的数据训练它们时，它们的性能会不断提高。这通常与其他在性能上达到稳定水平的机器学习技术不同。对于大多数旧时代的学习算法来说性能将达到稳定水平。深度学习是第一类算法是可以扩展的。...当你给它们提供更多的数据时，它的性能会不断提高他在幻灯片中提供了一个漂亮的卡通片：深度学习疯狂发展的一个原因是它非常擅长监督学习最后，他清楚地指出，我们在实践中看到的深度学习的好处来自有监督的学习。从2015年的ExtractConf演讲中，他评论道：如今的深度学习几乎所有价值都是通过有监督的学习或从有标记的数据中学习在2014年的早些时候，在接受斯坦福大学的题为“深度学习”的演讲时，他也发出了类似的评论。神经网络的重要性十结果会变得更好更多的数据更大的模型更强的计算（更好的算法、新的见解和改进的技术也总是有帮助的）■Andrew经常提到，我们应该并且会看到更多的好处来自DL的无监督的一面，因为该领域已经成熟到可以处理大量未标记的数据。JeffDean是Google的系统和基础架构小组的向导和谷歌高级研究员，他参与并可能负责部分Google内部深度学习的扩展和采用。Jeff参与了GoogleBrain项目以及负责大型深度学习软件DistBelief和后来的TensorFlow的开发。在2016年的一次题为“构建智能计算机系统的深度学习”的演讲中“他以类似的方式发表评论深度学习实际上是关于大型神经网络的。当你听到深度学习这个词的时候，就想想一个巨大的深度神经网络。深度指的是典型的层数因此这种流行术语在印刷机中被采用。我认为它们通常是深度神经网络。他已经多次发表过这个演讲，并且在同一个演讲的一组修改过的幻灯片中，他强调了神经网络的可扩展性，表明随着更多的数据和更大的模型，结果会变得更好，然而这反过来需要更多的计算来训练模型。深度学习是层次特征学习除了可扩展性之外，深度学习模型的另一个经常被引用的好处是它们能够从原始数据中执行自动特征提取，也称为特征学习。YoshuaBengio是深度学习的另一个领导者，尽管他开始对大型神经网络能够实现的自动特征学习产生了浓厚的兴趣。他描述了使用特征学习发现和学习良好表示的算法能力方面的深度学习。在2012年题为“深度学习无监督和转移学习的表征”的论文中，他评论说...