深度学习:最好的机器学习

你需要知道人工智能的演变

深度学习是机器学习 (ML)的一种强大形式,它利用大量数据(信息)构建称为神经网络的复杂数学结构。

深度学习定义

深度学习是使用多层神经网络来处理更复杂类型的数据的一种实现ML的方式。 有时称为分层学习,深度学习使用不同类型的神经网络来学习特征(也称为表示),并在大量未加标签的原始数据(非结构化数据)中找到它们。 深度学习的第一个突破性示范之一是成功从YouTube视频集合中挑选出猫的图像的程序。

日常生活中的深度学习例子

深度学习不仅用于图像识别,还用于语言翻译,欺诈检测以及分析公司收集的有关其客户的数据。 例如,Netflix使用深度学习来分析您的观看习惯,并预测您喜欢观看哪些节目和电影。 这就是Netflix知道如何将动作片和自然纪录片放入你的建议队列。 亚马逊使用深度学习来分析您最近购买的东西以及您最近搜索的产品,以便为您可能感兴趣的新乡村音乐专辑创建建议,并且您在市场上购买一对灰色和黄色网球鞋。 随着深度学习提供了来自非结构化和原始数据的越来越多的洞察力,企业可以更好地预测客户的需求,而个人客户可以获得更个性化的客户服务。

人工神经网络与深度学习

为了让深入的学习更容易理解,让我们重新审视一下人工神经网络 (ANN)的比较。 对于深度学习,想象我们的15层办公大楼与另外五栋办公大楼一起占据着一座城市街区。 街道两边有三幢建筑物。 我们的建筑物是A建筑物,与建筑物B和C共享街道的同一侧。A建筑物的对面是建筑物1,B建筑物的对面是2号建筑物等等。 每栋建筑都有不同的地板数量,由不同的材料制成,并且与其他建筑风格不同。 然而,每栋建筑物仍然安排在不同的办公室(节点)楼层(层) - 所以每栋建筑物都是独特的人工神经网络。

想象一下,数字包裹到达A号楼,包含来自多种来源的各种信息,如基于文本的数据,视频流,音频流,电话,无线电波和照片等等。然而,它到达了一个巨大的混乱区域,未以任何逻辑方式标记或排序(非结构化数据)。 信息从第1层到 15层依次通过各层进行处理。 信息混杂到达15层(输出)后,随着A楼的最终处理结果被发送到3号楼的1楼(输入).3号楼学习并结合了A楼发送的结果和然后以相同的方式处理每个楼层的信息混杂。 当信息到达建筑物3的顶层时,将其从该建筑物的结果发送到建筑物1.建筑物1在逐层处理之前从建筑物3中学习并合并其结果。 建筑1以相同的方式将信息和结果传递给建筑物C,建筑物C处理并发送到建筑物2,建筑物2处理并发送到建筑物B.

在我们的示例中,每个ANN(建筑物)在非结构化数据(信息混杂)中搜索不同的特征,并将结果传递给下一个建筑物。 下一个建筑物结合(学习)前一个的输出(结果)。 由于数据由每个ANN(建筑物)处理,因此它被特定特征组织和标记(分类),以便当数据到达最后一个ANN(建筑物)的最终输出(顶层)时,它被分类和标记(更结构化)。

人工智能,机器学习和深度学习

深度学习如何适应人工智能 (AI)和ML的整体情况? 深度学习提升ML的力量并增加AI能够执行的任务范围。 由于深度学习依赖于使用神经网络和识别数据集中的特征而不是简单的特定于任务的算法 ,它可以从非结构化(原始)数据中找到并使用详细信息,而无需程序员首先手动标记它 - 一次 - 可能导致错误的消耗任务。 深度学习帮助计算机在使用数据帮助公司和个人时变得越来越好。