什么是深度學(xué)習(xí)，深度學(xué)習(xí)能解決什么問題

深度學(xué)習(xí)是機器學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)、人工智能、圖形化建模、優(yōu)化、模式識別和信號處理等技術(shù)融合后產(chǎn)生的一個領(lǐng)域。在嚴(yán)謹(jǐn)?shù)膶W(xué)術(shù)期刊中，這個新興學(xué)科的模型一直受嚴(yán)肅理智的學(xué)者所推崇：

“深度學(xué)習(xí)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)革命性的發(fā)展，人們甚至認(rèn)為可以用它來創(chuàng)建更強大的預(yù)測模型?！?/p>

1、成功的藍(lán)圖

簡單來說，深度神經(jīng)網(wǎng)絡(luò)是一種用多層抽象來表示概念或特征的方式。其實，任何工程師或者建筑師都在用這種基本方法。想想大型辦公樓的藍(lán)圖：在最底層，會標(biāo)示出電路、水管和排水系統(tǒng)的詳細(xì)情況;而在最高層，可能會有一個旋轉(zhuǎn)觀景臺和旗桿，能看到整個30層樓的輪廓。

深度神經(jīng)網(wǎng)絡(luò)也遭循這個非常有用的方案。該方案幾乎被用于生活的各個領(lǐng)域。醫(yī)生有診斷書，教師有教學(xué)大綱，企業(yè)有盈利策劃書，甚至學(xué)術(shù)界都有一個發(fā)表研究論文的規(guī)范。

實際上，在生活中很難找出不用多層抽象來表達(dá)觀點的例子——軍隊指揮官用相同的原則部署作戰(zhàn)，政治家以此贏得競選。相同的原理同樣適用于神經(jīng)網(wǎng)絡(luò)或者其他多層模型的分類和預(yù)測，這是室無道理的。

更快的計算機處理器，日益廉價的內(nèi)存以及層出不窮的新數(shù)據(jù)格式，使得任意規(guī)模的企業(yè)都能用深度學(xué)習(xí)來做數(shù)據(jù)分析。

2、有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)

深度學(xué)習(xí)使用多層機器學(xué)習(xí)模型對數(shù)據(jù)進行有監(jiān)督學(xué)或無監(jiān)督學(xué)習(xí)。模型中的不同層由非線性數(shù)據(jù)變換的多個階段組成，數(shù)據(jù)的特征在相繼更高、更抽象的層表示。

數(shù)據(jù)科學(xué)領(lǐng)域有如下兩種基本的學(xué)習(xí)類型。

有監(jiān)督學(xué)習(xí)：訓(xùn)練的數(shù)據(jù)包含已知的結(jié)果。模型相對于這些結(jié)果進行訓(xùn)練。

無監(jiān)督學(xué)習(xí)：訓(xùn)練數(shù)據(jù)不包含任何已知的結(jié)果。算法自行發(fā)現(xiàn)數(shù)據(jù)中的聯(lián)系。

3、深度學(xué)習(xí)的流程

在學(xué)習(xí)深度學(xué)習(xí)的核心思想時，我們采取的通用方法一般如圖2.1所示。無論開發(fā)什么類型的機器學(xué)習(xí)模型，最終都回歸到這個基本模型。輸入數(shù)據(jù)傳遞給模型，經(jīng)過多個非線性層進行過濾，最后一層包含分類器——決定該對象所屬的種類。

圖2.1 通用深度學(xué)習(xí)框架

用數(shù)據(jù)進行學(xué)習(xí)的目標(biāo)是預(yù)測響應(yīng)變量或者用一組給定的屬性對響應(yīng)變量分類。這與線性回歸有點類似，在線性回歸中，用一組獨立變量（也叫屬性或特征）通過一個線性模型來預(yù)測因（響應(yīng)）變量。不過，傳統(tǒng)的線性回歸模型并不被視為深度學(xué)習(xí)，因為它們沒有對數(shù)據(jù)進行多層的非線性變換。

其他流行的數(shù)據(jù)學(xué)習(xí)技術(shù)有決策樹（ decision tree ） 、隨機森林（ random forest ）和支持向量機（support vector machine ）。這些技術(shù)雖然強大，但是并不深入。決策樹和隨機森林工作在原始輸入數(shù)據(jù)上，不進行變換，也不生成新特征;支持向量機層次較淺，因為它們僅由核函數(shù)和線性變換組成。類似地單隱藏層神經(jīng)網(wǎng)絡(luò)也不被視為深度神經(jīng)網(wǎng)絡(luò)，因為它們只包含一個隱藏層。

深度學(xué)習(xí)能解決什么問題

深度學(xué)習(xí)的威力來自于用適量的并行非線性步驟對非線性數(shù)據(jù)進行分類或預(yù)測的能力。從原始輸入數(shù)據(jù)到數(shù)據(jù)的實際分類的過程中，深度學(xué)習(xí)模型學(xué)習(xí)輸入數(shù)據(jù)的分層特征。每一層從前一層的輸出中提取特征。

本書所指的深度學(xué)習(xí)模型是有多個隱藏層的神經(jīng)網(wǎng)絡(luò)。如圖2.2所示，最簡單的深度神經(jīng)網(wǎng)絡(luò)至少包含兩層的隱藏神經(jīng)元。其中每一層的輸入來自上一層的輸出。

圖2.2 帶兩個隱蔽層的前饋神經(jīng)網(wǎng)絡(luò)

多層深度神經(jīng)網(wǎng)絡(luò)有多個非線性層級，可以緊湊地表示高度非線性的和/或高度變化的函數(shù)。它們擅長識別數(shù)據(jù)中的復(fù)雜模式，可以用來改進計算機視覺和自然語言處理等工作，并可以解決非結(jié)構(gòu)化數(shù)據(jù)難題。

全球發(fā)行且讀者眾多的雜志《IEEE Spectrum》 報道 ：”數(shù)據(jù)科學(xué)家供不應(yīng)求。這些專業(yè)人士享有高薪和大型股票期權(quán)“據(jù)麥肯錫全球研究所稱，僅美國就缺少14萬~19萬具備適當(dāng)技能的數(shù)據(jù)科學(xué)家，哈佛商業(yè)評論聲稱數(shù)據(jù)科學(xué)是21世紀(jì)最吸引人的工作。
責(zé)任編輯人：CC