问世十年，深度学习有哪些里程碑？
问世10年，有待商榷！深度学习技术最初开始于20世纪40年代，深度学习是为了模拟大脑中发现的神经网络，但在过去的十年中，3个关键发展释放了它的潜力。深度学习正在爆炸式增长。据Gartner称，深度学习专家的开放职位数量从2014年的几乎为零增加到今天的41000。这种增长的大部分是由Facebook，苹果，Netflix，微软，谷歌和百度等高科技巨头推动的。这些大玩家和其他人在深度学习项目上投入巨资。除聘请专家外，他们还资助深度学习项目和实验，并收购深度学习相关公司，而这些投资只是开始。Gartner预测，到2018年，80％的数据科学家将使用深度学习工具。深度学习技术是为了模拟大脑中的生物神经网络，于20世纪50年代与第一台计算机一起出现。因此，如果计算机和深度学习一起开始发展，为什么深度学习现在才到达主流计算机用户？图形处理单元（GPU）提供的处理能力增加，大量可用数据以及更高级算法的开发，导致了深度学习的兴起。深度学习的现状深入的学习就在我们身边。它用于确定要实时显示哪些在线广告，识别和标记照片中的朋友，将语音翻译为文本，将文本翻译成网页上的不同语言，并驱动自动驾驶车辆等等。深入学习也可在不太明显的地方找到。银行使用深度学习进行欺诈检测；企业用它来预测你是否会取消订阅并提供个性化的客户推荐；银行利用它来预测破产和贷款风险；医院使用它来检测，诊断和治疗疾病。应用范围几乎是无限的。其他选项包括文本分析，图像标题，图像着色，X射线分析，天气预报，财务预测等。深度学习已被广泛用于自动化流程，提高性能，检测模式并解决问题。什么是深度学习？深度学习属于人工智能（AI）子集的机器学习领域。松散定义的人工智能包含模拟人类能力的技术，而机器学习算法学习并适应新事件。深度学习是使用人工神经网络（ANN）算法的技术术语。专家认为深度学习和人工神经网络是相同的，并且可以互换使用这些术语。就像大脑中的神经网络一样，人工神经网络具有通过突触（链接）相互连接的神经元（节点）。每个节点接收数据，执行操作，并通过链接将新数据传递给另一个节点。链接包含影响下一个节点操作的权重或偏差。为了说明节点和链接的作用，想象一家公司想要预测客户是否会根据两个预测因素（性别和年龄）续订订阅。该公司的神经网络有两个输入节点，一个用于每个预测器，通过单独的链路连接到一个输出节点。性别和年龄值被输入到输入节点。这些值在链接中乘以预设权重。如果年龄恰好是比性别更好的预测指标，那么发送年龄数据的链接将具有更高的权重。输出节点添加来自输入节点的加权数据并生成一个值，这相当于一个预测。在这个简化的示例中，该值可以介于0和1之间。值越接近1，客户更有可能续订订阅。在一个真实的项目中，人工神经网络可能包含数千个节点和数十亿个链接。每个节点属于一个层，它是一组节点。输入图层，输出图层和两者之间的图层被称为隐藏图层。添加节点，链接和图层可提高ANN的准确性。培训的作用。人工神经网络一旦建成，就需要大量的“训练”才能很好地工作。未经训练的人工神经网络将永远失败。这是深度学习中的“学习”发挥作用的地方。数据科学家可以使用有监督或无监督的培训。在监督训练下，人工神经网络处理来自测试数据的输入值并产生输出值（预测），将其与来自测试数据的实际输出值进行比较。然后，应用专门设计用于训练人工神经网络的训练算法。有几种类型的训练算法存在，但使用最广泛的类型称为反向传播。反向传播算法通过跟踪输出节点中的误差，通过ANN返回隐藏层和输入层，并相应地改变权重，来识别负责不准确预测的ANN的部分。这个过程一遍又一遍地重复，直到人工神经网络用测试数据产生一致的，准确的预测。然后，ANN准备好处理新的输入值并预测未知的输出值。无监督训练的目的是模拟数据的结构或分布，而不是产生预测。因此，在无监督训练下，一旦ANN处理输入数据，权重不需要改变，因为没有相应的输出数据来比较ANN的预测。深度学习是老技术启动AI和深度学习故事的最佳节点是William McCulloch和Walter Pitts。1943年，他们发表了“神经活动内在观点的逻辑演算”，其中他们概述了神经网络的第一个计算模型。本文作为第一批人工神经网络的蓝图。六年后，Donald Hebb发表了行为组织，该组织认为神经元之间的联系随着使用而加强。这个概念被证明是理解人类学习和如何培训人工神经网络的基础。1954年，Belmont Farley和Wesley Clark利用McCulloch和Pitts所做的研究，开展了人造神经网络的首次计算机模拟。这些多达128个神经元的网络被训练来识别简单的模式。在1956年夏天，计算机科学家遇到了一个猜测，即学习或任何其他智能特征的每个方面原则上都可以被精确地描述，以便机器可以被模拟出来。这个被称为达特茅斯会议的活动被认为
本科学深度学习怎么样？能够找到工作吗？
深度学习是个很有前景的专业。它属于机器学习领域中的一个研究方向。是基于大量的样本数据进行不断学习，得出其中的规律，构建出模型，来对输入的文字，声音，图像等做出识别。它的实现涉及多门学科，比如线性代数，概率论，统计学，数据结构，python语言等等。深度学习的提出使得人工智能前进了一大步。人工智能现在已经逐渐应用到市场。比如离我们生活较近的车牌识别，各品牌手机、音箱等智能产品内置的语音识别，个性化推荐等等已经有所应用。目前市场缺口很大，人才的稀缺决定了这个岗位的收入也不错。但因为深度学习需要涉及的知识量很大，对数学统计要求较高，当前市场上，主要倾向于硕士以上学历。建议如果想深入这个领域发展，最好在本科后，继续研究生的学习，这样以后的发展前景应该会更好。
深度学习是掌握学习吗？
深度学习和掌握学习是不同的概念，深度学习的意思是更深层次的去学习。
深度学习有什么特点？
机器学习算法中最关键的是深度学习。机器学习(Machine Learning, ML)是一个多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等。它研究计算机怎样模拟或实现人类的学习行为，获取新的知识或技能，重新组织已有的知识结构，不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。深度学习源于人工神经网络，包括多个隐含层的多层感知器就是一种深度学习结构。据生物学结论，人脑神经细胞数量大约在10的11次方。这些神经细胞之间通过突触（轴突和树突）相连。通俗的讲，神经细胞把所有突触传进来的信号相加，如果信号的加和超过或低于某个阀值，其细胞状态就会变为兴奋或抑制。整个大脑的神经细胞状态各异，从而表现出不同的大脑行为。人工神经网络，简称为神经网络，并不是一个新想法，它已经存在了大约80年。用人工神经网络模拟神经元，其具有神经元的类似结构。深度学习最好的表现是深度神经网络（DNN）。深度神经网络只是一个超过两层或三层的神经网络。然而，深度神经网络并不是深度学习算法的唯一类型，但它是最流行的类型。另一个深度学习算法是深度信任网络（DBN），与传统的判别模型的神经网络相对，深度信念网络是一个概率生成模型，多个限制玻尔兹曼机(Restricted Botlzmann Machine，RBM)组成多隐含层神经网络，建立了一个观察数据和标签之间的联合分布。通过RBM逐层堆叠，DBN可从原始数据中逐层提取特征，从而获得一些高层次表达，其核心是用逐层贪婪学习算法优化深度神经网络的连接权重。
发表评论