什麼是深度學習？

自從20世紀80年代以來，機器學習在演算法、理論和應用等方面都獲得巨大成功。現在人工智慧開發熱火朝天，那麼讓我們緊跟時代的潮流，來了解一下與它相關的信息吧。

機器學習是人工智慧領域的一個重要學科。2006年以來，機器學習領域中一個叫「深度學習」的課題開始受到學術界廣泛關注，到今天已經成為互聯網大數據和人工智慧的一個熱潮。

深度學習，是機器學習中一種基於對數據進行表徵學習的方法。通過建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。

首先我們要知道人類從小是如何學習的？

舉個例子：以前，小朋友都是通過卡片來識字，而今天會通過一些手機、電腦的軟體來教小朋友認字。教的過程則是讓小朋友反覆看每個漢字的各種寫法，看得多了自然就記住了，下次見到就能夠認出來。

這是因為小朋友的大腦在接受許多遍相似圖像的刺激後，對每個漢字總結出了某種規律性的東西，下次再看到符合這種規律的圖案，就知道是什麼字了。

教計算機認字，差不多也是同樣的道理。計算機也要把每一個字的圖案反覆看很多遍，然後在計算機的處理器加儲存器里，總結出一個規律來，之後再看到類似的圖案，只要符合之前總結的規律，計算機就能知道這圖案是什麼字

專有名詞解釋

計算機用來學習的，反覆看的圖片叫做「訓練數據集」，這個數據集里，一類數據區別於另一類數據的不同方面的屬性或者特質，叫做「特徵」；

計算機在「大腦」中總結規律的過程叫做「建模」，總結出的規律叫「建模」；總結出的規律叫做「模型」；而計算機通過反覆看圖，總結規律，然後學會認字的過程，就叫做「機器學習」。

簡單來說，機器學習就是通過演算法，使得機器能夠從大量歷史數據中學習規律，從而對新的樣本做智能識別或者對未來預測。

淺層學習

20世紀80年代末期，用於人工神經網路的反向傳播演算法（Back propagation演算法或者BP演算法）的發明，給機器學習帶來了希望，掀起了基於統計模型的機器學習熱潮。

隨著時代的發展，各種各樣的淺層機器模型相繼被提出，這些模型無論是理論還是應用都取得了巨大的成功。

2000年以後，互聯網的高速發展對大數據的智能化分析和預測提出了巨大的需求，淺層學習模型在互聯網應用上獲得了巨大的成功（比如當時的搜索廣告系統的廣告點擊率、垃圾郵件過濾系統、基於內容的推薦系統等等）。

深度學習

2006年，加拿大多倫多大學教授Hinton和他的學生在頂尖學術刊物《科學》上發表了一篇文章，開啟了深度學習在學術界和工業界的浪潮。

深度學習的實質是，通過構建具有很多隱層的機器學習模型和海量的訓練數據，來學習更有用的特徵，最終提升分類或預測的準確性。

簡單來說，就是把計算機要學習的東西看成一大堆數據，把這些數據丟進一個複雜的、包含多個層級的數據處理網路（深度神經網路）。

然後檢查經過這個網路處理得到的結果是不是符合要求，如果符合就保留這個網路作為目標模型，如果不符合，就一次次地去調整網路的參數設置，直到輸出滿足要求。

現如今深度學習已經非常成功應用到語言識別、圖像識別、自然語言處理、搜索廣告預估等領域，為我們現如今的生活帶來了巨大的改變。多了解一點改變我們生活的東西，不僅豐富自己同時也能更好的適應這個社會的發展哦。

請把【教育技術微課堂】推薦給你的朋友

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！