什么是深度学习？初学者教程

文章目录

什么是深度学习？

深度学习是一种机器学习类型，它通过从例子中学习来教会计算机执行任务，这一点非常类似于人类的学习方式。想象一下教计算机识别猫：你不是告诉它去寻找胡须、耳朵和尾巴，而是向它展示成千上万张猫的图片。计算机自己找到了共同的模式，并学会了如何识别猫。这就是深度学习的本质。

在技术术语中，深度学习使用一种被称为“神经网络”的技术，这种技术受到人类大脑的启发。这些网络由层层相互连接的节点组成，用于处理信息。网络的层次越多，就越“深入”，使其能够学习更复杂的特征并执行更复杂的任务。

机器学习到深度学习的演变

什么是机器学习？

机器学习本身是人工智能（AI）的一个子集，它使计算机能够从数据中学习并在没有显式编程的情况下做出决策。它包含了各种技术和算法，使系统能够识别模式、做出预测，并随时间提高性能。

深度学习与传统机器学习的不同

虽然机器学习本身就是一项变革性技术，但深度学习通过自动化许多通常需要人类专业知识的任务更进一步。

深度学习本质上是机器学习的一个专门子集，其特点是使用具有三层或更多层的神经网络。这些神经网络试图模拟人类大脑的行为——尽管远未能匹敌其能力——以便从大量数据中“学习”。你可以在另一篇帖子中更详细地探索机器学习与深度学习的区别。

特征工程的重要性

特征工程是从原始数据中选择、转换或创建最相关变量（称为“特征”）以用于机器学习模型的过程。

例如，如果你正在构建一个天气预测模型，原始数据可能包括温度、湿度、风速和气压。特征工程将涉及确定这些变量中哪些对于预测天气最重要，并可能转换它们（例如，将温度从华氏度转换为摄氏度）以使它们对模型更有用。

在传统机器学习中，特征工程通常是一个手动和耗时的过程，需要领域专业知识。然而，深度学习的一个优势是它可以自动从原始数据中学习相关特征，减少了手动干预的需求。

为什么深度学习很重要？

深度学习成为行业标准的原因：

• 处理非结构化数据：在结构化数据上训练的模型可以轻松从非结构化数据中学习，这减少了标准化数据集的时间和资源。

• 处理大数据：由于引入了图形处理单元（GPU），深度学习模型可以以极快的速度处理大量数据。

• 高准确性：在计算机视觉、自然语言处理（NLP）和音频处理中，深度学习模型提供最准确的结果。

• 模式识别：大多数模型需要机器学习工程师的干预，但深度学习模型可以自动检测各种模式。

在这个教程中，我们将深入深度学习的世界，发现开始人工智能（AI）职业生涯所需的所有关键概念。

深度学习的核心概念

在深入探讨深度学习算法及其应用之前，理解使这项技术如此革命性的基础概念是必要的。本节将向你介绍深度学习的构建块：神经网络、深度神经网络和激活函数。

神经网络

深度学习的核心是神经网络，这是一种受人类大脑启发的计算模型。这些网络由相互连接的节点或“神经元”组成，共同工作以处理信息和做出决策。就像我们的大脑有不同区域负责不同任务一样，神经网络有指定的层用于特定功能。

我们有一个完整的指南，《什么是神经网络》，它更详细地涵盖了基础知识。

深度神经网络

使神经网络“深入”的是它在输入和输出之间的层数。一个深度神经网络有多个层，使其能够学习更复杂的特征并做出更准确的预测。“深度”赋予了深度学习其名称和解决复杂问题的能力。

我们的深度神经网络入门教程介绍了DNN在深度学习和人工智能中的重要性。

激活函数

在神经网络中，激活函数就像是决策者。它们确定什么信息应该传递给下一层。这些函数增加了一层复杂性，使网络能够从数据中学习并做出细致的决策。

深度学习是如何工作的

深度学习使用特征提取来识别同一标签的相似特征，然后使用决策边界来确定哪些特征准确地代表每个标签。在猫和狗的分类中，深度学习模型将提取诸如动物的眼睛、面部和体型等信息，并将它们分为两类。

深度学习模型由深度神经网络组成。简单的神经网络包含一个输入层、一个隐藏层和一个输出层。深度学习模型由多个隐藏层组成，随着额外层的增加，模型的准确性得到提高。

输入层包含原始数据，并将数据传递给隐藏层的节点。隐藏层的节点根据更广泛的目标信息对数据点进行分类，并且随着每个后续层，目标值的范围逐渐缩小以产生准确的假设。输出层使用隐藏层的信息来选择最可能的标签。在我们的例子中，准确预测狗的图像而不是猫的。
（未完待续）