2020-08-17 15:23发布
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%。
深度学习是机器学习和人工智能领域的最新趋势之一，为计算机视觉和机器学习带来了深刻的变革。新的深度学习正在不断诞生，甚至已经超越了最先进的机器学习技术。近年来，全世界在深度学习领域取得了许多重大突破。
“深度学习”的由来
“深度学习”（DeepLearning）一词最初于1986年被引入机器学习概念，2000年时又被用于人工神经网络。深度学习由多个层组成，以学习具有多个抽象层次的数据特征。深度学习允许计算机通过相对简单的概念来学习复杂的概念。
对于人工神经网络，深度学习（也叫分层学习）是指在多个计算阶段中精确地分配信用，以转换网络中的聚合激活。为了学习复杂的结构，深度架构被用于多个抽象层次，即非线性操作，例如人工神经网络具有许多隐藏层。总的来说，深度学习是机器学习的一个子领域，使用多层次的非线性信息处理和抽象，用于有监督或无监督的特征学习、表示、分类和模式识别。
如今，人工神经网络（ANN）已经取得了长足的进步，同时也带来了其他的深度模型。第一代人工神经网络由简单的感知器神经层组成，只能进行有限的简单计算。第二代使用反向传播，根据错误率更新神经元的权重。然后支持向量机（SVM）浮出水面，在一段时间内超越ANN。为了克服反向传播的局限性，人们提出了受限玻尔兹曼机（RBM），使学习更加容易。此时其他技术和神经网络也出现了，如前馈神经网络（FNN）、卷积神经网络（CNN）、循环神经网络（RNN）等，以及深层信念网络、自编码器等。从那时起，为实现各种用途，ANN在不同方面得到了改进。
深度学习方法
深度神经网络在有监督机器学习中取得了巨大的成功。此外，深度学习模型在无监督、混合和强化学习方面也非常成功。
深度有监督学习
监督学习应用在当数据标记、分类器分类或数值预测的情况。LeCun等（2015）对监督学习方法以及深层结构的形成给出了一个精简的解释。Deng和Yu（2014）提到了许多用于监督和混合学习的深度网络，并做出解释，例如深度堆栈网络（DSN）及其变体。Schmidthuber（2014）的研究涵盖了所有神经网络，从早期神经网络到最近成功的卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆（LSTM）及其改进方法等。
2.深度无监督学习
当输入数据没有标记时，可应用无监督学习方法从数据中提取特征并对其进行分类或标记。LeCun等（2015）预测了无监督学习在深度学习中的未来。Schmidthuber（2014）也描述了无监督学习的神经网络。Deng和Yu（2014）简要介绍了无监督学习的深度架构，并详细解释了深度自编码器。
3.深度强化学习
强化学习使用奖惩系统预测学习模型的下一步。这主要用于游戏和机器人，解决日常的决策问题。Schmidthuber（2014）描述了强化学习中深度学习的进展，以及深度前馈神经网络和循环神经网络在RL中的应用。Li（2017）讨论了深度强化学习（DRL）的架构及其在各个领域的应用。Mnih等（2016）提出了一种利用异步梯度下降进行DNN优化的DRL框架。vanHasselt等（2015）提出了一种使用深度神经网络的DRL架构。
本文我们讨论了从机器学习和人工神经网络中衍生出的主要深度学习方法，下篇我们将着重讨论深度神经网络。
相关文章
深度学习的最新研究进展（二）
深度学习的最新研究进展（三）
什么是机器学习？（上）
什么是机器学习？（下）
人工智能（AI）经历了怎样的发展历程？
就业面广不广主要看深度学习的应用程度：其实咱们的实际生活中已经有很多应用深度学习技术的案例了。比如电商行业，在浏览淘宝时，页面中有很多都是符合你的爱好并且最近有意向购买的商品，这种个性化推荐中就涉及到深度学习技术，还有就是在购物界面能和你进...
深度学习是相对比较专业的一种描述，在生活中更多的场景下被直接称为了人工智能(当然在技术领域人工智能和深度学习的范畴是有差异的)，从国家政策到产业驱动，已经凸显了它的一个发展趋势政策加码支持撬动万亿蓝海 2018世界人工智能大会将以人工智能赋能新...
以后都是智能化社会，学好这些技术，找工作高薪就业没问题的
人们的生活变得越来越便利，未来都是人工智能的天下了~
作为一种人工智能的AlphaGo，和IBM在上个世纪打败国际象棋大师卡斯帕罗夫的深蓝超级计算机，以及当代的苹果Siri、GoogleNow有着显著的区别。 要了解AlphaGo，首先我们需要了解AlphaGo背后到底是一个什么东西。 它背后是一套神经网络系统，由Google2...
深度学习主要应用于图像识别、语音识别、自然语言处理等领域。学完可以从事深度学习工程师、机器学习工程师、人工智能工程师、高级算法工程师、高级算法工程师 AI研发工程师、AI架构师等，课程是与中科院合作的，整个行业发展前景还是不错的。...
目前，深度学习在图像、语音、自然语言处理都取得了重大突破。深度学习（卷积神经网络）最初是为解决图像识别问题而提出的。目前深度学习在图像识别中的应用主要集中于图像分类、目标检测、图像分割等领域。图像分类图片分类的任务是对于一个给定的图片，预测...
生成对抗网络（Generative Adversarial Nets）是Ian Goodfellow 等人2014年的论文《Generative Adversarial Nets》中提出，它是非监督学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。 CANs都是在机器创造性思维方面在艺术方面的...
python。python是人工智能的首选语言，功能强大，可以实先快速开发，在大数据和人工智能领域都可以运用，并且python是深度学习课程的基础。
建议先学下高级编程语言语言比如Python作为编程基础，然后再学习深度学习相关知识。
现在已经有很多人作了关于深度学习以及其如何重要的讲座，我非常同意他们的看法。工作在深度学习这个领域是让我觉得最接近魔法师的事，我觉得未来三年内很多软件的重要部分都会由深度学习推动前行。不过，现在好像深度学习还非主流，因此我想分享些优秀的开发...
深度学习新星：GAN的基本原理、应用和走向 https://www.cnblogs.com/DicksonJYL/p/9617443.html 相关参考：【OpenAI】GenerativeModels 【搜狐科技】GAN之父NIPS2016演讲现场直击：全方位解读生成对抗网络的原理及未来 【pdf】：http://www.ia...
主要做了基于深度学习的图像识别与检测的研究，下面是一些整理内容1、深度学习的优势（1）从统计，计算的角度看，DL特别适合处理大数据 a、用较为复杂的模型降低模型偏差 b、用大数据提升统计估计的准确度 c、用可扩展的梯度下降算法...
深度学习技术在电商行业、交通领域、工业、金融行业、教育行业、医疗行业应用都比较成熟了。金融行业，银行通过深度学习技术能对数以百万的消费者数据（年龄，职业，婚姻状况等）、金融借款和保险情况（是否有违约记录，还款时间，车辆事故记录等）进行分析进...
最多设置5个标签!
{var%20f='http://v.t.sina.com.cn/share/share.php?appkey=1515056452',u=z||d.location,p=['&url=',e(u),'&title=',e(t||d.title),'&source=',e(r),'&sourceUrl=',e(l),'&content=',c||'gb2312','&pic=',e(p||'')].join('');function%20a(){if(!window.open([f,p].join(''),'mb',['toolbar=0,status=0,resizable=1,width=440,height=430,left=',(s.width-440)/2,',top=',(s.height-430)/2].join('')))u.href=[f,p].join('');};if(/Firefox/.test(navigator.userAgent))setTimeout(a,0);else%20a();})(screen,document,encodeURIComponent,'','','/static/images/logo.png', '推荐 IT-小敏同学 的问题《深度学习的发展，如何为其他领域带来全新的变革？》','http://www.shouhuola.com/q-27324.html','页面编码gb2312|utf-8默认gb2312'));){kind=link}
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%。
深度学习是机器学习和人工智能领域的最新趋势之一，为计算机视觉和机器学习带来了深刻的变革。新的深度学习正在不断诞生，甚至已经超越了最先进的机器学习技术。近年来，全世界在深度学习领域取得了许多重大突破。
“深度学习”的由来
“深度学习”（DeepLearning）一词最初于1986年被引入机器学习概念，2000年时又被用于人工神经网络。深度学习由多个层组成，以学习具有多个抽象层次的数据特征。深度学习允许计算机通过相对简单的概念来学习复杂的概念。
对于人工神经网络，深度学习（也叫分层学习）是指在多个计算阶段中精确地分配信用，以转换网络中的聚合激活。为了学习复杂的结构，深度架构被用于多个抽象层次，即非线性操作，例如人工神经网络具有许多隐藏层。总的来说，深度学习是机器学习的一个子领域，使用多层次的非线性信息处理和抽象，用于有监督或无监督的特征学习、表示、分类和模式识别。
如今，人工神经网络（ANN）已经取得了长足的进步，同时也带来了其他的深度模型。第一代人工神经网络由简单的感知器神经层组成，只能进行有限的简单计算。第二代使用反向传播，根据错误率更新神经元的权重。然后支持向量机（SVM）浮出水面，在一段时间内超越ANN。为了克服反向传播的局限性，人们提出了受限玻尔兹曼机（RBM），使学习更加容易。此时其他技术和神经网络也出现了，如前馈神经网络（FNN）、卷积神经网络（CNN）、循环神经网络（RNN）等，以及深层信念网络、自编码器等。从那时起，为实现各种用途，ANN在不同方面得到了改进。
深度学习方法
深度神经网络在有监督机器学习中取得了巨大的成功。此外，深度学习模型在无监督、混合和强化学习方面也非常成功。
深度有监督学习
监督学习应用在当数据标记、分类器分类或数值预测的情况。LeCun等（2015）对监督学习方法以及深层结构的形成给出了一个精简的解释。Deng和Yu（2014）提到了许多用于监督和混合学习的深度网络，并做出解释，例如深度堆栈网络（DSN）及其变体。Schmidthuber（2014）的研究涵盖了所有神经网络，从早期神经网络到最近成功的卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆（LSTM）及其改进方法等。
2.深度无监督学习
当输入数据没有标记时，可应用无监督学习方法从数据中提取特征并对其进行分类或标记。LeCun等（2015）预测了无监督学习在深度学习中的未来。Schmidthuber（2014）也描述了无监督学习的神经网络。Deng和Yu（2014）简要介绍了无监督学习的深度架构，并详细解释了深度自编码器。
3.深度强化学习
强化学习使用奖惩系统预测学习模型的下一步。这主要用于游戏和机器人，解决日常的决策问题。Schmidthuber（2014）描述了强化学习中深度学习的进展，以及深度前馈神经网络和循环神经网络在RL中的应用。Li（2017）讨论了深度强化学习（DRL）的架构及其在各个领域的应用。Mnih等（2016）提出了一种利用异步梯度下降进行DNN优化的DRL框架。vanHasselt等（2015）提出了一种使用深度神经网络的DRL架构。
本文我们讨论了从机器学习和人工神经网络中衍生出的主要深度学习方法，下篇我们将着重讨论深度神经网络。
相关文章
深度学习的最新研究进展（二）
深度学习的最新研究进展（三）
什么是机器学习？（上）
什么是机器学习？（下）
人工智能（AI）经历了怎样的发展历程？
相关问题推荐
就业面广不广主要看深度学习的应用程度：其实咱们的实际生活中已经有很多应用深度学习技术的案例了。比如电商行业，在浏览淘宝时，页面中有很多都是符合你的爱好并且最近有意向购买的商品，这种个性化推荐中就涉及到深度学习技术，还有就是在购物界面能和你进...
深度学习是相对比较专业的一种描述，在生活中更多的场景下被直接称为了人工智能(当然在技术领域人工智能和深度学习的范畴是有差异的)，从国家政策到产业驱动，已经凸显了它的一个发展趋势政策加码支持撬动万亿蓝海 2018世界人工智能大会将以人工智能赋能新...
以后都是智能化社会，学好这些技术，找工作高薪就业没问题的
人们的生活变得越来越便利，未来都是人工智能的天下了~
作为一种人工智能的AlphaGo，和IBM在上个世纪打败国际象棋大师卡斯帕罗夫的深蓝超级计算机，以及当代的苹果Siri、GoogleNow有着显著的区别。 要了解AlphaGo，首先我们需要了解AlphaGo背后到底是一个什么东西。 它背后是一套神经网络系统，由Google2...
深度学习主要应用于图像识别、语音识别、自然语言处理等领域。学完可以从事深度学习工程师、机器学习工程师、人工智能工程师、高级算法工程师、高级算法工程师 AI研发工程师、AI架构师等，课程是与中科院合作的，整个行业发展前景还是不错的。...
目前，深度学习在图像、语音、自然语言处理都取得了重大突破。深度学习（卷积神经网络）最初是为解决图像识别问题而提出的。目前深度学习在图像识别中的应用主要集中于图像分类、目标检测、图像分割等领域。图像分类图片分类的任务是对于一个给定的图片，预测...
生成对抗网络（Generative Adversarial Nets）是Ian Goodfellow 等人2014年的论文《Generative Adversarial Nets》中提出，它是非监督学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。 CANs都是在机器创造性思维方面在艺术方面的...
python。python是人工智能的首选语言，功能强大，可以实先快速开发，在大数据和人工智能领域都可以运用，并且python是深度学习课程的基础。
建议先学下高级编程语言语言比如Python作为编程基础，然后再学习深度学习相关知识。
现在已经有很多人作了关于深度学习以及其如何重要的讲座，我非常同意他们的看法。工作在深度学习这个领域是让我觉得最接近魔法师的事，我觉得未来三年内很多软件的重要部分都会由深度学习推动前行。不过，现在好像深度学习还非主流，因此我想分享些优秀的开发...
深度学习新星：GAN的基本原理、应用和走向 https://www.cnblogs.com/DicksonJYL/p/9617443.html 相关参考：【OpenAI】GenerativeModels 【搜狐科技】GAN之父NIPS2016演讲现场直击：全方位解读生成对抗网络的原理及未来 【pdf】：http://www.ia...
主要做了基于深度学习的图像识别与检测的研究，下面是一些整理内容1、深度学习的优势（1）从统计，计算的角度看，DL特别适合处理大数据 a、用较为复杂的模型降低模型偏差 b、用大数据提升统计估计的准确度 c、用可扩展的梯度下降算法...
深度学习技术在电商行业、交通领域、工业、金融行业、教育行业、医疗行业应用都比较成熟了。金融行业，银行通过深度学习技术能对数以百万的消费者数据（年龄，职业，婚姻状况等）、金融借款和保险情况（是否有违约记录，还款时间，车辆事故记录等）进行分析进...