云上的记忆
1，关于深度学习
深度学习（ Deep Learning )，这是一个在近几年火遍各个领域的词汇，似乎所有的算法只要跟它扯上关系，瞬间就显得高大上起来。但其实，从 2006 年辛顿提出深度网络和深度学习的概念到如今，深度学习的发展也才仅仅 12年。深度网络和深度学习的出现，使得神经网络开始焕发一轮新的生机，并掀起了第二次机器学习的学习浪潮。
在2013年1月，百度宣布成立首个研究院，其中第一个重点方向就是深度学习；2013年4月，麻省理工学院《技术评论》杂志将深度学习列为2013年十大突破性技术之首。可以说，深度学习带来了机器学习的新浪潮，推动了大数据 + 深度模型时代的来临，也推动了人工智能和人机交互大踏步前进。
2，简单理解深度学习
在解释深度学习之前，我们需要理解什么是机器学习。机器学习是人工智能的一个分支，很多时候几乎成为人工智能的代名词。简单来说，机器学习就是通过算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来做预判。从20世纪80年代末，机器学习的发展大致经历了两次浪潮：浅层学习和深度学习。
而深度学习的本质，就是通过构建具有很多很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。所以「 深度模型 」是手段，「表示学习」才是目的。深度学习与传统的浅层学习的不同在于：1. 强调了模型结构的深度，通常有5层或6层，甚至10多层的隐层节点；2. 明确突出了表示学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，使分类或预测更加容易。
3，深度学习，大数据时代的人工智能新途径
目前人工智能在图像识别、语音识别和自然语言处理这些领域的能力已经接近或达到人类的水平，使机器像我们人一样能「看 」，能「听 」，能「说 」。除此之外，我们更希望深度学习在普通人类不擅长的信息处理领域大显神威，小到天气预测、股票预测，大到历史和社会的发展姿态分析和预测，甚至科学知识的发现。我认为在这些领域获得突破的意义更大，因为人工智能的终极目标不是模仿人类，而是超越人类。
stormzhang
深度学习，不是一般性的学习，在认真学习的基础，有针对性学习，把个人或单位的问题摆进去，结合实际，有什么问题解决什么向题，理论与实际问题相结合做到知行合一，通过学习讨论，存在什么向题，进行对照反省错在那里？为什么会犯错误？本根原因在哪里？又如何来改正？今后如何来防止类似的重犯错误？怎么防范法？要学会结果，解决向题，明确方向。提高工作效率，做出更大的成绩。要学出效果，学出精神，提升战斗力，向中央看齐。这就是学习的目的，也是深度学习的过程，防止走过场，形式主义，学习要达到出汗，刮骨，疗伤，治病救人的目。
分享到:
