共计 1585 个字符，预计需要花费 4 分钟才能阅读完成。
现在，提到人工智能，简直无人不谈深度学习，仿佛不必深度学习就不好意思谈人工智能。明天咱们就用几分钟的工夫来讲一下深度学习到底是什么，有什么用。
首先深度学习并不等于人工智能，它只是一种算法，和一般的机器学习算法一样，是解决问题的一种办法。真要辨别起来，人工智能、机器学习和深度学习，三者大略是下图这种关系。人工智能是一个很大的概念，机器学习是其中的一个子集，而深度学习又是机器学习的一个子集。
![]()
其次，深度学习也不是什么新技术，深度学习的概念源于人工神经网络的钻研，早在上世纪 40 年代，通用计算机问世之前，科学家就提出了人工神经网络的概念。而那个时候的计算机刚刚开始倒退，速度十分慢，最简略的网络也得数天能力训练结束，效率极其低下，因而在接下来的十几年都没有被大量应用。近些年，随着算力的晋升，GPU、TPU 的利用，神经网络失去了重大倒退。随同着 AlphaGo 的胜利，深度学习也一战成名。
其实，同机器学习办法一样，深度学习办法也有监督学习与无监督学习之分。例如，卷积神经网络（Convolutional Neural Networks，简称 CNN）就是一种深度的监督学习下的机器学习模型，而深度相信网络（Deep Belief Nets，简称 DBN）就是一种无监督学习下的机器学习模型。深度学习的”深度“是指从”输出层“到”输入层“所经验档次的数目，即”暗藏层“的层数，层数越多，深度也越深。
所以越是简单的抉择问题，越须要深度的档次多。除了层数多外，每层”神经元“-小圆圈的数目也要多。例如，AlphaGo 的策略网络是 13 层，每一层的神经元数量为 192 个。深度学习的本质，是通过构建具备很多隐层的机器学习模型和海量的训练数据，来学习更有用的特色，从而最终晋升分类或预测的准确性。
![]()
深度学习提出了一种让计算机主动学习出模式特色的办法，并将特色学习融入到了建设模型的过程中，从而缩小了人为设计特色造成的不齐备性。然而，在无限数据量的利用场景下，深度学习算法不可能对数据的法则进行无偏差的预计。为了达到很好的精度，须要海量数据的撑持。另外，深度学习中图模型的复杂化导致算法的工夫复杂度急剧晋升，为了保障算法的实时性，须要更高的并行编程技巧和更多更好的硬件反对。
在利用方面，尽管深度学习被吵得炽热，然而也并不是无所不能。目前深度学习次要利用在图像识别，语音辨认等畛域。而在很多商业场景，例如金融数据，它的成果并不太好，很容易呈现过拟合，这在机器学习中是十分致命的问题，即在训练数据上体现的很好，然而泛化能力却很差，在未见到的数据上，体现的很差。深度学习模型很容易受到数据中难以觉察的扰动，这些扰动会坑骗模型做出谬误的预测或分类，而在很多场景的数据中是存在着大量乐音的。另外深度学习的过程是一个黑箱子，无法解释其做出的决策，这也导致在某些场景难以利用，比方一个银行审批贷款的深度学习零碎，在回绝了客户的贷款申请之后，而无奈给出正当的解释，那么被主动回绝了贷款的用户天然无奈承受。深度学习模型须要海量的数据撑持，算法也比较复杂，模型的训练速度很慢，通常要几天甚至数周，同时还会消耗大量的计算资源，这也限度了它在各行业的广泛应用。
因而，深度学习只是机器学习的一种，和其它算法一样，有本人的短处也有有余。在理论利用中依据业务场景和问题抉择适合的算法能力解决问题的无效办法，而不是看谁用了深度学习就去景仰。在一些主动建模产品中，个别也会集成深度学习算法，用户只有把数据丢进去，建模工具就会主动预处理数据，抉择最优算法建好模型，应用起来非常简单不便。
对进一步数据挖掘和 AI 技术感兴趣的同学还能够搜寻“乾学院”，下面有面向小白的零根底“数据挖掘”收费课程，或者间接点上面的链接也能够：http://www.raqsoft.com.cn/wx/course-data-mining.html
