人工智能風靡一時！突然之間，每一個人，無論是否理解，都在談論它。人工智能的發展趨勢似乎勢不可擋，但它真正歸結為兩個非常流行的概念：機器學習和深度學習。但最近，深度學習越來越受歡迎，因為它在用大量數據訓練時的準確性方面至高無上。
為了向你展示深度學習所獲得的關注，以下是Google的關鍵字趨勢：
谷歌的“深度學習”趨勢
現在軟件行業正朝著機器智能化邁進。機器學習已成為各個行業必不可少的一部分，作為製造機器智能的一種方式以更簡單的方式，機器學習是一組算法，它們可以解析數據，向他們學習，然後應用他們學到的知識做出明智的決定。
機器學習的例子無處不在。這就是Netflix是如何知道下一次要觀看哪個節目或Facebook如何在數碼照片中識別你朋友的臉部。或者，在你進行CSAT調查之前，客戶服務代表會知道你是否會滿意他們的支持。
關於傳統機器學習算法的一點是，它們看起來很複雜，但它們仍然像機器一樣。他們需要大量的專業領域知識，人類的干預只能滿足他們的需求，不多不少。而對於AI設計師和世界其他地方來說，這就是深度學習更有希望的地方。
什麼是深度學習？
實際上，深度學習是機器學習的一個子集，通過學習將世界表示為嵌套的概念層次結構，實現了強大的功能和靈活性，其中每個概念都與較簡單的概念相關聯，而更抽象的表示形式則用較不抽象的概念來計算。
精細的說，深度學習技術通過隱藏層結構逐步學習類別，比如字母，然後定義較高級別的類別（如單詞）和更高級別的類別（如句子）。在圖像識別的例子中，它意味著在分類線條之前識別明暗區域，然後識別形狀以允許識別臉部。網絡中的每個神經元或節點代表整體的一個方面，它們共同提供了圖像的完整表示。每個節點或隱藏層都有一個權重來表示它與輸出關係的強度，並隨著模型的發展對權重進行調整。
深度學習架構
深度學習的顯著特點
深度學習的一大優勢，也是理解為什麼它變得流行的關鍵部分，它是由大量數據驅動的。技術的“大數據時代”將為深度學習的新創新提供巨大的機會。正如吳恩達所述，“AI類似於建造一艘火箭船。你需要一個巨大的發動機和大量的燃料。如果你有一個大型發動機卻只有很少的燃料，火箭船就無法進入正確軌道。或者，如果你有一個小型發動機和一噸的燃料，你甚至不能讓火箭船起飛。要建造一艘火箭，你需要一個巨大的發動機和大量的燃料。
與深度學習做一個類比，也就是說火箭發動機是深度學習模型，燃料就是我們讓這些算法學習的大量數據。”
深度學習需要與傳統機器學習算法相反的高端機器。 現在，GPU已經成為執行任何深度學習算法的不可或缺的部分。
在傳統的機器學習技術中，大多數應用特徵需要由領域專家來識別，以便降低數據的複雜性，並使得模式更易於學習算法。前面討論過的深度學習算法的最大優點是他們試圖以增量的方式從數據中學習高級特徵。這消除了對領域專業知識和硬核心特徵提取的需求。
深度學習和機器學習技術的另一個區別在於解決問題的方法。深度學習技術傾向於從頭到尾解決問題，機器學習技術需要將問題陳述分解為不同的部分。首先解決問題，然後在最終階段將其結果合併。
例如，對於多物體檢測問題，像Yolo 網絡這樣的深度學習技術將圖像作為輸入，並在輸出處提供對象的位置和名稱。但是在像SVM這樣的通常的機器學習算法中，首先需要邊界框對象檢測算法來識別所有可能的對象，以將HOG作為輸入到學習算法以識別相關對象。
通常，由於大量的參數，深度學習算法需要很長時間進行訓練。最受歡迎的ResNet算法需要大約兩週的時間才能完全從頭開始訓練。傳統的機器學習算法需要幾秒到幾個小時來訓練，這個場景在測試階段完全相反。在測試時，深度學習算法花費的時間少得多。然而，如果將其與最近鄰算法（一種機器學習算法）進行比較，則測試時間會隨著數據大小的增加而增加。雖然這不適用於所有機器學習算法，但其中一些算法的測試時間也很短。
可解釋性是為什麼許多行業在深度學習中使用其他機器學習技術的主要問題。我們舉個例子吧，假設我們使用深度學習來計算文檔的相關性分數。它提供的性能非常好，接近人類的表現。但是有一個問題，它沒有揭示為什麼它給出了這個分數。事實上，你可以在數學上找出深層神經網絡的哪些節點被激活，但我們不知道神經元應該建模什麼，以及這些神經元層共同做了什麼。所以我們不能解釋結果。這不是機器學習算法，如決策樹，邏輯迴歸等。
何時使用深度學習或不使用？
1.深度學習如果數據量很大，則執行其他技術。但由於數據量較小，傳統的機器學習算法更為可取。
2.深度學習技術需要有高端基礎設施來在合理的時間內進行培訓。
3.當對特徵內省缺乏領域理解時，深度學習技術超越了其他領域，因為你不必擔心特徵工程。
4.深度學習在圖像分類、自然語言處理和語音識別等複雜問題方面真正發揮出色。
閱讀更多 AI中國 的文章
