Video 5.1在线视频

大家好

从本节我们将进入深度学习

深度学习是机器学习的一种特殊形式

使用有监督 无监督或半监督从数据表示中学习

它类似于人类神经系统的结构和功能

即相互连接的计算单元构成复杂的网络

以协调的方式工作从而处理复杂信息

现在让我们讨论深度学习和机器学习之间的关系

看这个图

深度学习是机器学习的一个子领域

机器学习是人工智能的一个子领域

当我们谈论人工智能时

指的是机器模仿人类智能的行为

所以当我们看一些可以像人类一样解决的问题时

我们可以将其提升到一个新的水平

我们不再对其进行编程使其重复某种简单的输出

我们实际上可以让它开始模仿人类的智力

我们来看机器学习

我们有对AI的应用

使系统可以自动从经验中学习和改进

我们来看机器学习

我们有AI的应用

允许系统自动从经验中学习和改进

我们已经讨论了机器学习的基本算法

例如线性回归 逻辑回归 朴素贝叶斯分类器 支持向量机等

现在我们讨论深度学习

即机器学习当中使用复杂的算法机器和深层神经网络训练模型的应用

为什么深度学习很重要？

与机器学习相比

深度学习具有以下优势

第一个

深度学习是否可以处理非结构化数据

传统机器学习仅适用于大量结构化或半结构化数据

而深度学习可以处理结构化和非结构化的数据

第二是深度学习可以处理复杂的操作

深度学习算法可以轻松执行传统的机器学习算法无法进行的复杂操作

接下来是特征提取

告诉电脑应该寻找什么特征是一个重大挑战

这些特征需要在预测结果中将发挥重要作用

同时这样做也有助于达到更高的精度

这个过程称为特征提取

深度学习是唯一的方法之一

通过它我们可以克服特征提取的挑战

这是因为深度学习模型有能力学习专注于正确的功能

而不需要程序员的指导

最终 深度学习可以达到最佳性能

传统机器学习算法的性能随着数据量的增加下降

模型的性能也是如此

我们需要深度学习

基本上

深度学习模仿我们大脑的运作方式

例如

它能从经验中学习

如你所知

我们的大脑由数十亿个神经元组成

这使我们能做到惊人的事情

即使是一岁孩子的大脑

也可以解决即使使用超级计算机都很难解决的复杂问题

例如

认出父母的脸和不同的对象

区分不同的声音

甚至可以根据他/她的声音认出一个人

或者通过其他人的面部手势等等得出推断

实际上 多年来我们的大脑已经潜意识地自我训练

去做这样的事情

现在问题来了

深度学习如何模仿大脑的功能

深度学习使用人工神经元的概念

以类似我们的大脑中生物神经元的方式运作

我们可以说深度学习是以下领域的一个子领域

即受大脑的结构和功能启发的人工神经网络算法有关的机器学习

现在让我们看一下深度学习的一些实际应用

语音识别

在语音识别和声控智能助手领域

像Siri 一个使用深度神经网络可以识别更准确的声学模型

目前是深度学习实施的最活跃领域

简单来说

我们可以建立这样的系统

可以学习新的功能

或根据您自己的需求进行调整

从而提供更好的协助

这点是通过事先预测所有可能性做到的

我们都知道自动机器Google翻译可以在

100种不同的人类语言当中切换

就像魔术一样快

Google翻译背后的技术

叫做机器翻译

谷歌翻译一直是不能互相交流人们的救星

在过去两年 因为口语的不同

在深度学习的帮助下

Google彻底改革了方法

在Google翻译中进行机器翻译

对语言翻译几乎一无所知的深度学习研究人员

提出了相对简单的机器学习解决方案

击败了最好的专家构建的语言翻译系统

文章的翻译无需对序列进行任何预处理即可执行

允许通过算法学习依赖关系

单词及其映射到新语言之间的关系

视觉识别

使用深度学习计算机和机器成功识别图像和视觉效果

就像普通的人眼一样

机器能够知道世界是由什么组成的

现在可以成功区分物体并识别图像

这是深度学习的有影响的应用之一

并在许多领域都有应用

视觉识别系统的大部分应用在监视中

甚至自动驾驶汽车也使用图像识别

识别它们身前的物体

视觉识别领域十分多样

并且只有借助深度学习才有可能

自驾车 即无人驾驶汽车是新一代汽车

使用深度学习

汽车已经能够自己学习

并且不需要任何驾驶员来操作

它们能够学会识别物体 路线图和开车所需的一切

在繁忙的道路上

有各种各样的驾驶员需要注意的地方

开车时

自动驾驶汽车使所有这些事情自动化

并且不要任何帮助

这一定是深度学习提供的最神奇的应用

深度学习目前是最好的方法

对于大多数感知任务以及许多底层控制任务来说

因此 现在即使是不会开车或残障的人

也可以不依赖别人上路

本节到此结束

感谢您的收看 欢迎进入下一节