深度学习的概念和工作原理【基础篇】

什么是深度学习？

深度学习试图模仿人脑，尽管与大脑的能力相去甚远，使其能够从大量数据中“学习”。

旨在使系统能够以难以置信的准确度对数据进行聚类并做出预测。

深度学习是机器学习的一个子集，它本质上是一个三层或更多层的神经网络，虽然单层的神经网络仍然可以进行近似预测，但额外的隐藏层可以帮助优化和改进准确性。

深度学习驱动了许多人工智能 (AI)应用程序和服务，这些应用程序和服务可提高自动化、执行分析和物理任务而无需人工干预。

深度学习技术支持日常产品和服务（例如数字助理、支持语音的电视遥控器和信用卡欺诈检测）以及新兴技术（例如自动驾驶汽车）。

深度学习与机器学习

如果深度学习是机器学习的一个子集，它们有什么区别？

深度学习与经典机器学习的区别在于它使用的数据类型和学习方法。

机器学习算法利用结构化的标记数据进行预测——这意味着从模型的输入数据中定义特定特征并组织到表格中。

这并不一定意味着它不使用非结构化数据，通常会通过一些预处理将其组织成结构化的格式。

深度学习消除了机器学习通常涉及的一些数据预处理。

这些算法可以摄取和处理非结构化数据，如文本和图像，并自动提取特征，消除对人类专家的一些依赖。例如，假设我们有一组不同宠物的照片，我们想按“猫”、“狗”、“仓鼠”等进行分类。

深度学习算法可以确定哪些特征（例如耳朵）对于区分每只动物最重要。而不像在机器学习中，这种特征层次结构是由人类专家手动建立的。

然后，通过梯度下降和反向传播的过程，深度学习算法调整和适应自身的准确性，使其能够以更高的精度对动物的新照片进行预测。

机器学习和深度学习模型也能够进行不同类型的学习，通常分为监督学习、无监督学习和强化学习。

监督学习利用标记数据集进行分类或进行预测；需要某种人工干预来正确标记输入数据。相比之下，无监督学习不需要标记数据集，而是检测数据中的模式，并通过任何可区分的特征将它们聚类。强化学习是一个过程，在这个过程中，模型学习变得更加准确，以便根据反馈在环