深度学习——一个努力勤奋学习理解人类的智能系统

深度学习——一个努力勤奋学习理解人类的智能系统

深度学习(DL)是人工智能(AI)的一门学科,主要研究智能机器的学习和理解能力。本文主要介绍深度学习和机器学习的相关内容。如果你想了解更多关于机器学习的相关内容,可以阅读以下这些文章:
5种有效方法:提高机器学习模型的准确性
机器学习的一站式library清单
你知道吗?SQL也能做机器学习!
群体学习(Swarm Learning)的工作原理——结合区块链和机器学习的更优解决方案

深度学习模型的设计灵感来自人脑的结构和工作原理。DL是一项关键技术,它使直观的自主系统成为现实,通常旨在创造能够思考和感受的机器。

目录

  • 什么是深度学习 (DL)
  • 什么是人工神经网络?
  • 深度学习是如何工作的?
  • DL与 ML:深度学习和机器学习之间的差异
  • 机器学习
  • 深度学习
  • 深度学习的现状

什么是深度学习 (DL)?

深度学习是机器学习 (ML) 的一个子分支,它模拟人脑在数据处理过程中的功能。它允许机器在没有人工监督的情况下学习。它能够理解口语及其背后的内容、翻译、识别对象并做出明智的决策。

尽管深度学习系统是机器学习的一个分支,但它不像传统机器学习算法那样具有有限的学习能力。相反,因为DL系统可以获得更大、更一致的数据,可以不断提高其能力。

非结构化的大数据对于弱小的人类大脑来说几乎是不可能处理的。即使你有资源,在海量数据集中查找重要信息也可能需要数年时间。DL使这项任务对于机器来说非常容易。

深度学习是一种机器学习,它使用人工智能自行学习和改进。深度学习还使计算机能够从未标记和非结构化数据中获取知识。

什么是人工神经网络?

人工智能系统模仿人类学习的能力是通过深度学习实现的。深度学习算法通过每隔一段时间分析一次数据来得出结论。为此,使用了人工神经网络(ANN),这是一种人脑的电子复制品。人工神经网络旨在赋予机器人类品质,例如解决问题的能力、自我意识、视力、创造力和同理心。

计算机更快、更强的处理器和更小的存储设备的广泛使用,使深度学习成为现实。存储设备也是如此,因为必须存储和处理大量数据才能实现深度学习。正因如此,深度学习研究已经停止了几十年。20世纪80年代预测的深度学习的首次实际应用不得不等到现在。

深度学习是如何工作的?

深度学习中的训练过程根据反馈回路调整系统行为。每一个正确的行为都有回报。系统试图通过改善其行为来最大化回报。

人工神经网络是深度学习的支柱。这些神经元就像人脑神经元一样,是基于人工神经网络的。人工神经网络由许多代替真实神经元的传感器组成。神经网络中隐藏层的数量称为“深度”。传统的神经网络有两到三个隐藏层,而深度网络可以包含多达150个。

掌握深度学习工作方式的另一种方法是研究卷积神经网络(CNN)。卷积神经网络使用卷积,这使它们无需手动标记数据就能识别特征。机器没有设定任何属性;相反,它从一组图片中学习。深度学习模型的自动属性检测能力使其有利于项目分类和其他计算机视觉活动。

深层神经网络中的数百层使其对特征和图像分类极其敏感。由于每一层会学习描述特定的特征,学习到的图片特征的复杂性会随着层数的增加而直接变化。

DL与ML:深度学习和机器学习之间的差异

机器学习

“机器学习”指的是人工智能(AI)的应用,它可以教计算机如何通过反复试验来完成最初没有编程的任务,从而提高性能。

例如,你电子邮件帐户中的垃圾邮件过滤器就是机器学习技术。ML算法还用于 Netflix、YouTube和Spotify等服务,根据你过去的偏好推荐你喜欢的材料。

机器学习算法可以执行各种任务,例如分析数据、发现模式和进行预测。在获得新信息时不断学习和适应。随着学习和成长的机会,机器学习使计算机人性化。图片

深度学习

深度学习是一种更高级的机器学习形式。虽然机器学习算法可能会逐渐学习和发展,但它们需要一些帮助。例如,当算法做出错误预测时,就需要人为参与。人工神经网络是深度机器学习过程的关键。它们允许深度机器学习算法在人工神经网络的帮助下自行学习,无论其预测是否准确。

另一种区分机器学习和深度学习的方法是评估它们的学习方式。假设你正在尝试教计算机区分狗和猫的照片。如果你使用的是机器学习算法,则必须向其输入结构化数据,以识别照片中区分猫狗的某些特征。每张图片都有一个名称,算法使用该名称更好地区分这两个物种。深度学习方法不需要结构化数据或标记图片;只是原始信息。人工神经网络使算法能够识别和理解每只动物的各种特征。

深度学习系统可能需要数周或数月的时间来训练,但机器学习系统可能只需几分钟或几小时即可完成训练。

深度学习系统通过多层深度神经网络处理图像后,创建独特的类别来描述动物和图片。在下一步中,将每个神经网络层生成的各种输出进行组合,以正确分类图像。

机器学习和深度学习之间的另一个区别是对硬件的要求。由于计算和处理数据的简单性,机器学习算法需要较少的计算能力。因此,机器学习应用程序可以运行在很少或没有计算资源的情况下。另一方面,深度学习系统需要大量的计算能力和图形处理单元 (GPU)。GPU可以将深度学习系统的性能提高100倍或更多。

训练深度学习和机器学习算法所需的时间各不相同。你可能会猜到,深度学习方法需要时间来训练,因为它们需要大量数据和复杂的计算。深度学习系统可能需要数小时或数周的时间来训练,但机器学习系统可能会在几秒钟或几小时内完成训练。

深度学习的现状

今天,大多数情况下没有人意识到,深度学习技术被用于商业和我们的日常生活中。

例如,地图应用程序使用当前和历史交通数据来计算平均旅行时间。在计算这一统计数据时,他们还考虑了人们的首选路线。人工智能语音助手在更好地理解口语方面做得越来越好。他们会回答你的问题并履行你赋予他们的职责。

你的偏好,甚至你在应用程序和网站上所写的内容,都被用来随时确定哪些内容更适合你,并将其提供给你。

显而易见,网络安全领域是深度学习的最大用途之一。深度学习可以提供预警和主动行动,它可以识别潜在危险软件、应用程序和网站的模式以及网络攻击。

感谢阅读,欢迎订阅。你还可以订阅我们的YouTube频道,观看大量大数据行业相关公开课:https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ;在LinkedIn上关注我们,扩展你的人际网络!https://www.linkedin.com/company/dataapplab/

原文作者:Hasan Selman
翻译作者:明慧
美工编辑:过儿
校对审稿:Miya
原文链接:https://dataconomy.com/2022/06/deep-learning-101/