深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是机器学习和人工智能中的一个子概念，它是由人类大脑的模型启发和创造的人工神经网络。深度学习将允许机器设备像人类一样在某些方面发挥作用。
深度学习
深度学习的重要性
深度学习的提出，既是对教学规律的尊重，也是对时代挑战的主动回应。深度学习的五个特征，为理解教学活动提供了新的视角，为消解种种二元对立观念提供了理论支持。深度学习的研究与实践，确立了学生个体经验与人类历史文化的相关性，落实了学生在教学活动中的主体地位，使学生能够在教学活动中模拟性地“参与”人类社会历史实践，形成有助于未来发展的核心素养，而教师的作用与价值也在深度学习中得以充分实现。
与传统机器学习的区别
区分传统机器学习和深度学习的一种方法是通过使用特征，这些是帮助我们区分和识别一个实体的数据的特征。
为了更好地理解特征，以一个正常的银行交易为例。交易的特点有助于我们确定交易的时间、转移的价值、交易各方的姓名等重要信息。
在传统的机器学习模型中，特征必须由人类设计。在深度学习模型中，特征由AI本身识别。
我们可以再举一例猫和狗的区别。如果我们给人看一只猫和一只狗，并要求它们指出哪只是猫，他们会立刻认出它。然而，如果同一个人被要求找出区分这两种特征的确切特征，那么他们就很难指出了。两个生物都有四条腿，一个身体，一个尾巴和一个头，它们在特征方面看起来非常相似。人类可以在瞬间分辨出彼此。然而，他们将难以识别区分任何一对猫和狗的特征。
这是数据科学家和AI开发者希望用深度学习解决的问题。在深度学习算法的帮助下，甚至可以在非结构化数据中找到特征。
从深度学习中受益于客户体验
深度学习模型在某些AI特性上优于任何传统的机器学习模型，因为模型已经证明了其有效性。这可以追溯到2012年，其中已知的在线图像识别挑战，深学习算法有效被证明是以前任何其他算法的两倍。
如果AI模型达到50%的精度，则该装置将不太实用。以汽车为例，谁都不愿意驾驶一辆刹车只有50%性能的汽车。
然而，如果AI系统的精度达到95%左右，则对于实际使用将更可靠和更健壮。
深度学习可以应用于语音识别，以提高用户体验。语音识别技术已经有相当长的一段时间了，但是在引入深度学习模型之前，它并没有跨越准确的边界，成为一种适销对路的产品。
家庭自动化系统和设备通过语音命令工作。这是一个深度学习可以显著提高客户体验的领域。
深度学习的未来
未来人工智能应探索其他的新方法，或者已存在却被忽视的方法，而不仅仅是深度学习。深度学习的一个局限是把数据中最常遇见的内容作为真理，把统计学上较稀少的东西看作假的。深度学习的公正性并非来自其自身，而是人类筛选和准备的数据。深度学习可以阅读并翻译文本，但不是以人类的方式。如果使用超过 100 本书训练深度学习模型：40 本书告诉仇恨、战争、死亡和摧毁如何是坏的，60 本书告诉希特勒的纳粹思想是好的，那么该模型最终会成为 100% 的纳粹！
网友评论