深度学习现在有多火?需要什么基础?_第3页回答

2020-05-27 12:01发布

74条回答
息红泪
1楼 · 2020-05-27 13:55.采纳回答

数学基础
如果你能够顺畅地读懂深度学习论文中的数学公式,可以独立地推导新方法,则表明你已经具备了必要的数学基础。
掌握数学分析、线性代数、概率论和凸优化e799bee5baa6e58685e5aeb931333431373233四门数学课程包含的数学知识,熟知机器学习的基本理论和方法,是入门深度学习技术的前提。因为无论是理解深度网络中各个层的运算和梯度推导,还是进行问题的形式化或是推导损失函数,都离不开扎实的数学与机器学习基础。
数学分析
在工科专业所开设的高等数学课程中,主要学习的内容为微积分。对于一般的深度学习研究和应用来说,需要重点温习函数与极限、导数(特别是复合函数求导)、微分、积分、幂级数展开、微分方程等基础知识。在深度学习的优化过程中,求解函数的一阶导数是最为基础的工作。当提到微分中值定理、Taylor公式和拉格朗日乘子的时候,你不应该只是感到与它们似曾相识。
线性代数
深度学习中的运算常常被表示成向量和矩阵运算。线性代数正是这样一门以向量和矩阵作为研究对象的数学分支。需要重点温习的包括向量、线性空间、线性方程组、矩阵、矩阵运算及其性质、向量微积分。当提到Jacobian矩阵和Hessian矩阵的时候,你需要知道确切的数学形式;当给出一个矩阵形式的损失函数时,你可以很轻松的求解梯度。
概率论
概率论是研究随机现象数量规律的数学分支,随机变量在深度学习中有很多应用,无论是随机梯度下降、参数初始化方法(如Xavier),还是Dropout正则化算法,都离不开概率论的理论支撑。除了掌握随机现象的基本概念(如随机试验、样本空间、概率、条件概率等)、随机变量及其分布之外,还需要对大数定律及中心极限定理、参数估计、假设检验等内容有所了解,进一步还可以深入学习一点随机过程、马尔可夫随机链的内容。
凸优化
结合以上三门基础的数学课程,凸优化可以说是一门应用课程。但对于深度学习而言,由于常用的深度学习优化方法往往只利用了一阶的梯度信息进行随机梯度下降,因而从业者事实上并不需要多少“高深”的凸优化知识。理解凸集、凸函数、凸优化的基本概念,掌握对偶问题的一般概念,掌握常见的无约束优化方法如梯度下降方法、随机梯度下降方法、Newton方法,了解一点等式约束优化和不等式约束优化方法,即可满足理解深度学习中优化方法的理论要求。
机器学习
归根结底,深度学习只是机器学习方法的一种,而统计机器学习则是机器学习领域事实上的方法论。以监督学习为例,需要你掌握线性模型的回归与分类、支持向量机与核方法、随机森林方法等具有代表性的机器学习技术,并了解模型选择与模型推理、模型正则化技术、模型集成、Bootstrap方法、概率图模型等。深入一步的话,还需要了解半监督学习、无监督学习和强化学习等专门技术。

作者追问:2020-05-27 13:55

如果我什么基础都没有就不能学习了吗?

善良的琼琼姐
2楼 · 2020-08-14 17:02

主要需要具有计算机基础,软件基础。包括算法学习,机器语言学习等必备技能

霸王龙的龙
3楼 · 2020-08-19 17:33

人工智能有多火他就有多火,c、c++、python语言基础

梵梵
4楼 · 2020-08-20 10:04

深度学习是需要Python基础的。

收获很多
5楼 · 2020-08-24 17:43

数学基础
如果你能够顺畅地读懂深度学习论文中的数学公式,可以独立地推导新方法,则表明你已经具备了必要的数学基础。
掌握数学分析、线性代数、概率论和凸优化e799bee5baa6e58685e5aeb931333431373233四门数学课程包含的数学知识,熟知机器学习的基本理论和方法,是入门深度学习技术的前提。因为无论是理解深度网络中各个层的运算和梯度推导,还是进行问题的形式化或是推导损失函数,都离不开扎实的数学与机器学习基础。
数学分析
在工科专业所开设的高等数学课程中,主要学习的内容为微积分。对于一般的深度学习研究和应用来说,需要重点温习函数与极限、导数(特别是复合函数求导)、微分、积分、幂级数展开、微分方程等基础知识。在深度学习的优化过程中,求解函数的一阶导数是最为基础的工作。当提到微分中值定理、Taylor公式和拉格朗日乘子的时候,你不应该只是感到与它们似曾相识。
线性代数
深度学习中的运算常常被表示成向量和矩阵运算。线性代数正是这样一门以向量和矩阵作为研究对象的数学分支。需要重点温习的包括向量、线性空间、线性方程组、矩阵、矩阵运算及其性质、向量微积分。当提到Jacobian矩阵和Hessian矩阵的时候,你需要知道确切的数学形式;当给出一个矩阵形式的损失函数时,你可以很轻松的求解梯度。
概率论
概率论是研究随机现象数量规律的数学分支,随机变量在深度学习中有很多应用,无论是随机梯度下降、参数初始化方法(如Xavier),还是Dropout正则化算法,都离不开概率论的理论支撑。除了掌握随机现象的基本概念(如随机试验、样本空间、概率、条件概率等)、随机变量及其分布之外,还需要对大数定律及中心极限定理、参数估计、假设检验等内容有所了解,进一步还可以深入学习一点随机过程、马尔可夫随机链的内容。
凸优化
结合以上三门基础的数学课程,凸优化可以说是一门应用课程。但对于深度学习而言,由于常用的深度学习优化方法往往只利用了一阶的梯度信息进行随机梯度下降,因而从业者事实上并不需要多少“高深”的凸优化知识。理解凸集、凸函数、凸优化的基本概念,掌握对偶问题的一般概念,掌握常见的无约束优化方法如梯度下降方法、随机梯度下降方法、Newton方法,了解一点等式约束优化和不等式约束优化方法,即可满足理解深度学习中优化方法的理论要求。
机器学习
归根结底,深度学习只是机器学习方法的一种,而统计机器学习则是机器学习领域事实上的方法论。以监督学习为例,需要你掌握线性模型的回归与分类、支持向量机与核方法、随机森林方法等具有代表性的机器学习技术,并了解模型选择与模型推理、模型正则化技术、模型集成、Bootstrap方法、概率图模型等。深入一步的话,还需要了解半监督学习、无监督学习和强化学习等专门技术。

作者追问:2020-05-27 13:55


樱田妮妮NiNi
6楼 · 2020-08-26 10:49

近年来,深度学习在多个领域取得了重要突破,带来全新的方法论变革。

深度学习(Deep Learning)源于人工神经网络的研究,是机器学习的一个分支。深度学习主要依赖于深度神经元网络,这种神经网络类似于人类的大脑,其学习过程也与人类十分相似。

基本上,你输入海量的数据给它以后,它就会通过训练,学习到海量数据的特征。举例来说,有两组神经元,第一组神经元接收到信息后,用算法将其抽象化,而后再将简化的信息传入到第二组神经元。第二组神经元通过相同或是其他的算法再将信息进行简化,就得出了一定的结果。

深度学习使机器更加聪明,带给我们更加智能的服务。

在深度学习中,现在效果最好的是在计算机视觉,语音识别领域,也就是对应的人脸识别,物体识别,语音识别,深度学习针对图片,视频,音频领域数据类型应用效果最好,跟传统方法相比提升了30~50%


回答: 2021-11-04 14:14

深度学习是一种特征学习方法,通过一些简单的非线性模型,可以把原始数据转变成为更高层次、更抽象的表达。只要有足够多的转换的组合,非常复杂的函数也可以被学习。

深度学习的突破极大推动了人工智能的发展,并广泛应用在计算机视觉、自然语言处理等领域中。很多互联网公司像百度、腾讯、华为都在重金布局人工智能领域。由于当前人工智能产业链具有技术驱动型特征,人才成为制约人工智能企业发展的重要因素。互联网企业能够把可行的技术应用到最恰当的有需求的领域,并结合合理的商业模式进行变现,才能实现产业的持续良性发展。

随着我国产业扶持政策的相继出台,二级市场也会出现持续高成长的人工智能上市公司,深度学习必将在其中发挥重大作用,未来发展前景非常广阔深度学习基础问题:

对于深度学习我们在学习之前需要有一定的python基础。

但是没有基础也是没有关系的。比如说优就业的深度学习课程就是赠送零基础的python课程。助力深度学习的基础学习。

回答: 2021-11-17 09:22

深度学习在搜索技术,数据挖掘,机器学习,机器翻译,自然语言处理,多媒体学习,语音,推荐和个性化技术,以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动,解决了很多复杂的模式识别难题,使得人工智能相关技术取得了很大进步。


ablabla
7楼 · 2020-08-27 09:40

最好是有python方面的基础,更有助于深度学习

猫的想法不敢猜
8楼 · 2020-08-31 08:28

会一定编程就够了,最好是Python的编程,you jiu ye有学习的,中科院的老师上课。

希希
9楼 · 2020-09-01 08:35

是挺火的,但是还是建议最好有编程基础,不然难度还是很大的

回答: 2021-12-26 10:45

深度学习很火,也是之后的大趋势,不过学起来比较难,需要足够的Python基础

相关问题推荐

  • 回答 157

    其实学软件测试是很好找工作的,因为一般的高等院校没有专门的软件测试专业,所以大部分人才都是通过培训机构培养的,但是远远赶不上每年的人才需求,因为软件测试的人才缺口很大。另外软件测试分为功能测试、性能测试、接口测试、自动化测试,只要掌握好其中...

  • 回答 80
    已采纳

    付出和回报是成正比的,要想高薪,工作肯定是避免不了会累一些的!IT行业里,又要工资还可以,又要岗位工作不是很累的,那大概只有软件测试和UI设计了。相比开发类的岗位,动不动就加班的!测试可能会轻松不少!而UI设计的话,也相对来说,薪资尚可,不催图的...

  • 回答 53
    已采纳

    目前为止,转IT仍然是非常好的选择,不是坑。认为转IT是坑通可能是有几个原因:一是听说就业门槛高二是听说青春饭,有年龄限制三是听说行业发展迅速技术迭代快需要不断学习IT行业确有如下几个特点:1. 收入可观,2.相对公平,3.当代年轻人的舞台。1、可观的收...

  • 回答 12

    人工智能专业、计算机科学与技术专业我不太熟悉,我觉得对于女生来说,如果逻辑思维能力不错,抗压能力也不错,学这些应该都没问题,我本人就是学习大数据的,也是女生,觉得大数据这个专业还是挺好的。...

  • 回答 38

    Java和C都可以,主要是看做那方便以及就业需求量,不过个人觉得JAVA相对来说要简单一些

  • 回答 36

    首先,要看你想学的科目方向,不过我觉得最重要的是思维逻辑能力,不过现在发展也比较成熟了,找个好老师,靠谱的机构,还是问题不大

  • 回答 35

    学java、Python都还不错,薪资都比较高呢,而且市场需求大。

  • 回答 25

    自己学肯定有难度的,建议培训,要是培训的话,4个月左右吧,不难的,只要自己好好学,绝对不是问题。

  • 回答 19

    首先web行业的就业情况还是很不错的第一、web前端前景1、现在进入到了互联网时代,不管干什么基本都离不开网络,尤其是电商行业,对于用户的交互和体验度更加注重,而这些基本都是web前端技术实现的效果。2、 现在对于IT互联网的应用广泛,app、小程序、移动...

  • 回答 25

    每年Java还是很香,招聘需求还是很旺,但是企业对于人才的要求也是越来越高。底层饱和,中高级人才稀缺,是当前大多数开发岗位的现状,无论是Java还是前端,都是如此。因此如果只是抱着挣快钱的想法来入行的,建议可以绕道了。不是真心想进入这行的,不是真正...

  • IT行业就业怎么样?2021-08-16 15:56
    回答 20

    自己看

  • 回答 12

    提升自身条件,技术也要提高,这样才能去好的企业大厂发展

  • 回答 19

    Django是一个开放源代码的Web应用框架,由Python写成。采用了MVT的框架模式,即模型M,视图V和模板T。它最初是被开发来用于管理劳伦斯出版集团旗下的一些以新闻内容为主的网站的,即是CMS(内容管理系统)软件。并于2005年7月在BSD许可证下发布。这套框架是以比...

  • 回答 13

    Java企业级解决方案较多且成熟,国内搜索网站上对于各种问题的解答较多,相比而言,Python成熟企业级解决方案没Java多,资料多以外文为主。国内web开发大环境一直以Java为主,从业者人口基数众多,小白学习Java无论是书籍还是视频资料一搜一大把,从业者技术...

  • 回答 10

    django现在在生产环境用得还是比较多的,但是只能说数量比较多,质量很差;意思就是,越大型的项目越不会选django,因为它封装得太好,不够灵活,一般快速上马项目可以,但是长期维护下来很难受一般如果有开发团队的都选flask和tornado...

没有解决我的问题,去提问