深度学习 Deep Learning简介 （一）

主要参考文献：

http://blog.youkuaiyun.com/zouxy09/article/details/8775360（从一到八）

1：机器学习

在解释深度学习之前，我们需要了解什么是机器学习（ML，Machine Learning）。机器学习是人工智能（AI，Artificial Intelligence）的一个分支，而在很多时候，几乎成为人工智能的代名词。

简单来说，机器学习就是通过算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来做预测。

例如图像识别、语音识别、自然语言理解、天气预测、基因表达、内容推荐等等。目前我们通过机器学习去解决这些问题的思路都是这样的（以视觉感知为例子）。

机器学习的过程：

1，数据收集

通过传感器（例如CMOS）来获得数据

2，特征提取

数据收集偶，需要经过预处理（Pre-processing）、特征提取（Feature extract）、特征选择（Feature selection）三部分。

概括起来就是特征表达。良好的特征表达，对最终算法的准确性起了非常关键的作用，而且系统主要的计算和测试工作都耗在这一大部分。但这块实际中一般都是人工完成的，靠人工提取特征。

3，机器学习

对特征数据通过神经网络，svm，boost等算法进行分类，聚类等，也就是机器学习的部分，绝大部分的工作是在这方面做的，也存在很多的paper和研究。

机器学习遇到的问题：

手工地选取特征是一件非常费力、启发式（需要专业知识）的方法，能不能选取好很大程度上靠经验和运气，而且它的调节需要大量的时间。既然手工选取特征不太好，那么能不能自动地学习一些特征呢？

答案是能！Deep Learning就是用来干这个事情的，看它的一个别名UnsupervisedFeature Learning，就可以顾名思义了，Unsupervised的意思就是不要人参与特征的选取过程。