深度学习：人工智能的革命
科技创造财富2021-05-24 14:09
任何有大量数据的旧的分类问题都将通过深度学习来解决。 深度学习将会有成千上万的应用。杰弗里•辛顿，加拿大认知心理学家和计算机科学家
深度学习的缘起
无论是微信的语音识别，还是支付宝的人脸支付，都离不开背后的深度学习技术。
十年前的人工智能领域，专家们比较热衷于研究能够不基于特定数据而放之四海皆准的算法。而部分学者经过深入思考，提出了独特的见解，认为机器需要像小孩的智力成长一样通过接触大量的信息，进而形成一定的智能去理解这个世界。他们开始考虑构建一个具有大量图片的数据集，给机器进行学习，就好像大人带着小孩认识这个世界一样。但他们面临着一个重大挑战：找到高质量的数据集。 起初，研究人员考虑用人工方式建立数据集，比如安排研究生从互联网上下载图片。 但是这个过程太慢，太乏味了。直到一名学生提议通过众包在线服务来解决问题，它将允许快速和准确地标记数据，非常可能加速和扩大这一数据集建立过程。 在采纳了这一建议后，结果很好。 经过数年努力，研究人员创建了ImageNet，早期其拥有超过5200个类别的320万张照片。
研究人员创建的ImageNetImageNet的诞生对深度学习的浪潮起了巨大的推动作用，正是因为通过ImageNet识别大赛，才诞生了AlexNet, VggNet, GoogleNet, ResNet等深度学习算法。这些深度学习算法能够达到或超过人类的识别能力，从而构成了语音识别、人脸识别等应用的重要技术基础。 到目前为止，深度学习的错误率仅为2%左右，比人类更好。
在后续的文章中，我们将讨论深度学习，这显然是人工智能领域最热门的领域。 它在自动驾驶汽车和虚拟助手领域取得了重大进展。当然，深度学习可能是一门复杂的学科，而且这个领域在不断变化。 但是我们将看一看主要的概念和趋势——而不是进入技术细节。
深度学习和机器学习的区别
深度学习和机器学习之间经常存在混淆。 这是合理的。 这两个话题都相当复杂，而且它们确实有许多相似之处。为了理解它们之间的区别，让我们先来看看机器学习的特征，以及它与深度学习的关系。
首先，虽然两者通常都需要大量数据，但类型通常是不同的。
举个例子：假设我们有数千只动物的照片，想要创建一个算法来找到这些马。 机器学习本身不能直接分析照片，数据必须被标记。 然后，机器学习算法将通过一个被称为监督学习的过程来识别马。即便机器学习可能会产生好的结果，它仍然有局限性。通过分辨图像的像素本身并找出其中的模式不是更好吗？ 但要用机器学习做到这一点，你需要使用一个称为特征提取的过程。 这意味着你必须提出马的各种特征，比如形状、蹄子、颜色和高度——然后算法将试图识别这些特征。
同样，这是一种很好的方法，但还远远不够完美。 如果你提出的特征偏离了目标，或者没有考虑到异常值或异常，那该怎么办？ 在这种情况下，模型的准确性可能会受到影响。 毕竟，马有很多变种。 特征提取也有忽略大量数据的缺点。 对于某些用例，这可能非常复杂(如果不是不可能的话)。 看看计算机病毒。 它们的结构和模式被称为“特征”，不断变化以便渗透到系统中。 但是有了特征提取，人们就不得不预料到这一点，这是不实际的。 这就是为什么网络安全软件经常在病毒造成损害后才开始收集签名。
人工智能、机器学习、深度学习的演进但通过深度学习，我们可以解决这些问题。 这种方法逐个像素地分析所有数据，然后使用一个模仿人类大脑的神经网络来找到它们之间的关系。
感谢您的阅读，我每周都会发布几次关于机器学习、人工智能、编程和所有与计算机科学相关的内容。
想了解更多精彩内容，快来关注科技创造财富
往期内容：
机器学习之无监督算法：K-Means聚类
机器学习之监督学习算法：回归篇
机器学习之监督学习算法：分类篇
机器学习算法的四大金刚
举报/反馈
0
0
收藏
分享
