Python深度学习（一）:什么是深度学习2

Python深度学习（一）:什么是深度学习1
Python深度学习（一）:什么是深度学习2

接上篇文章：Python深度学习（一）:什么是深度学习1

深度学习

定义

机器学习的一种多级过滤获得特征数据（数据表示）的方法.

名词解释

• “深度”：数据模型中包含多少层，是一系列连续的表示层。他们是通过“神经网络”的模型来学习得到。神经网络为多级信息蒸馏操作，信息穿过连续的过滤器，对任务的帮助越大。信息 蒸馏的标准就是权重，权重的使用方式是用于参数化。
• 衡量神经网络的输出与真实目标之间的差距，就是神经网络损失函数（也叫目标函数）的任务。模型训练的过程就是让损失值变小的过程，如果让它变小呢，就是优化器来完成的，优化器使用损失值反馈调节权重值，这就是反向传播。一次调节就是一个训练循环。

取得的进展

• 图像分类
• 语音识别
• 手写文字转录
• 机器翻译
• 文本转语音
• 数字助理，比如Google Now和 Alexa
• 自动驾驶
• 广告，需求新闻定向投放
• 回答自然语言提出的问题
• 围棋
• 病例分析

现在和未来

机器学习、人工智能和人对一个有前景的事物一样的态度，短期被高估，长期被低估。

深度学习的过去

• 概率建模
  统计学原理在数据分析中的应用。例如算法之一就是朴素贝叶斯算法。
• 早期的神经网络
  反向传播算法。
• 核方法
  支持向量机SVM。svm的目标是通过在属于两个不同类别的两组数据点之间找到良好决策边界来解决分类问题。SVM很难扩展到大型数据集。
• 决策树、随机森林与梯度提升机

深度学习的不同

• 表现出更好的性能
• 让解决问题便得更加简单，特征工程完全自动化
• 同一时间共同学习所有表示层，而不是依次连续学习。模型特征修改，所有依赖自动调节适应。
• 特征：1.通过渐进的、逐层的方式形成越来越复杂的表示。2.对中间这些渐进的表示共同进行学习。

机器学习的现状

2016，2017年Kaggle上主要有两大方法：梯度提升机和深度学习。

• 梯度提升机用于处理结构化数据的问题，人几乎都使用优秀的 XGBoost 库，它同时支持数据科学最流行的两种语言：Python 和 R。
• 深度学习则用于图像分类等感知问题。使用深度学习的 Kaggle 参赛者则大多使用 Keras 库，，因为它易于使用，非常灵活，并且支持Python。