程序員在嗎？三分鐘了解機器學習與深度學習！

什麼是機器學習？

這是機器學習的基本定義：「解析數據，從數據中學習，然後運用他們學到的知識做出明智決策的演算法」。

機器學習演算法的簡單示例是按需音樂流服務。 對於服務來決定向聽眾推薦哪些新歌或藝術家，機器學習演算法將聽眾的偏好與具有相似音樂品味的其他聽眾相關聯。

機器學習推動了各種自動化任務，跨越多個行業，從追蹤惡意軟體的數據安全公司到尋求有利交易的金融專業人士。 它們的設計就像虛擬個人助理一樣，而且效果很好。

機器學習是一種複雜的數學和編碼，在一天結束時，它可以像手電筒，汽車或電視一樣提供機械功能。當某些東西能夠「機器學習」時，它意味著它正在使用給定的數據執行功能，並且在該功能上逐漸變得更好。就像你手持一個手電筒，只要你說「它很暗」，它會識別出包含「黑暗」這個詞的不同短語。

現在，當我們開始談論深度學習時，機器學習新技巧的方式變得非常有趣（而且令人興奮）。

深度學習與機器學習

實際上，深度學習只是機器學習的一個子集。從技術上講，它是機器學習，並以類似的方式運行（因此這些術語有時會鬆散地互換），但它的功能卻不同。

基本的機器學習模型無論其功能如何都會逐漸變得更好，但它們仍然有一些指導。如果ML演算法返回不準確的預測，則工程師需要介入並進行調整。但是使用深度學習模型，演算法可以自己確定預測是否準確。

讓我們回到手電筒的例子：它可以被編程為當它識別某人說出「黑暗」這個詞的可聽提示時打開。最終，它可以拾取包含該單詞的任何短語。現在，如果手電筒有一個深度學習模型，它可能會發現它應該打開「我看不見」或「燈開關不起作用」的提示。如果你願意的話，深度學習模型能夠通過自己的計算方法 - 自己的「大腦」來學習。

深度學習如何運作？

深度學習模型旨在通過類似於人類得出結論的邏輯結構來持續分析數據。為實現這一目標，深度學習使用稱為人工神經網路（ANN）的分層演算法結構。人工神經網路的設計靈感來自人腦的生物神經網路。這使得機器智能比標準機器學習模型更強大。

確保深度學習模型不會得出錯誤的結論（這可能是讓Elon在晚上工作的原因）是一個棘手的前景，但是當它按預期工作時，功能深度學習是一個科學奇蹟和潛在的骨幹。真正的人工智慧。

深度學習的一個很好的例子是谷歌的AlphaGo。谷歌創建了一個計算機程序，學習如何玩一個名為Go的抽象棋盤遊戲，這個遊戲以需要敏銳的智慧和直覺而聞名。通過與專業的Go玩家對戰，AlphaGo的深度學習模型學會了如何在人工智慧中達到前所未有的水平，並且沒有被告知應該何時進行特定的移動（就像使用標準機器學習模型一樣）。當AlphaGo擊敗多位世界知名的遊戲「大師」時，它引起了不小的轟動。機器不僅能夠掌握遊戲的複雜和抽象方面，它還成為遊戲中最偉大的玩家之一。

就如谷歌在今年的I/O大會上，號召開發者們，共同為開發社區做出貢獻。與此同時，Model Play團隊也正在向全球開發者發出了AI模型召集令，徵集基於 TensorFlow、可在 Google Coral Dev Board 上運行的深度學習模型，以鼓勵更多開發者們參與活動，與全球千萬 AI 開發者，分享創意和想法。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！