Java/Python转大数据，你必须了解的深度学习

Posted 2021-01-25

深度学习这是当今的热门话题，坚定地投入到人工智能，大数据和分析等领域的广泛行业。目前，Google正在使用语音和图像识别算法深度学习，而Netflix和Amazon正在使用它来了解客户的行为。事实上，你不会相信，但是麻省理工学院的研究人员正在试图用深度学习来预测未来。现在，想象一下，革命化的世界和我们的工作方式，潜在的深入学习有多少。在谈论深度学习突破之前，人们必须了解它与机器学习和人工智能的关系。了解这种关系的最简单的方法是通过下面的图表：

什么

是深度学习 - AI技术时间表

在这里，您可以看到机器学习是AI的一个子集。这意味着我们可以建立基于自己提供的数据集来学习的智能机器。此外，您将注意到，深度学习是机器学习的一个子集，其中使用类似的机器学习算法训练深层神经网络，以便在前者不符合标准的情况下获得更好的准确性。下面几个点是本文即将讨论的主题：

· 人工智能

· 机器学习

· 深度学习的缺点

· 什么是深度学习？

· 深度学习应用

机器

学习：迈向人工智能的一步

AI的术语由John McCarthy于1956年创立，他也被称为人工智能之父。AI背后的想法相当简单且迷人，那就是使智能机器能够自行决定。你可能认为它是一个科学幻想，但是对于技术和计算能力的最新发展，这个想法似乎越来越接近现实。

现在，您熟悉AI，让我们简单介绍一下机器学习，并了解当我们说编程机器学习时，它意味着什么。让我们开始一个非常有名的机器学习定义：

“计算机程序据说从经验E中学习一些任务T和一些绩效指标P，如果其在T上的表现，由P测量，则随经验E而改善。”——卡内基梅隆大学Tom Mitchell

所以，如果你想让你的程序预测一个繁忙的十字路口（任务T）的流量模式，你可以通过一个机器学习算法来运行它，并提供有关过去流量模式（经验E）的数据。现在，预测的准确性（性能测量P）将取决于程序是否已经从数据集中成功学习（经验E）的事实。

基本上，机器学习被称为一种人工智能（AI），它通过将计算机暴露给大量的数据来提供计算机学习的能力，而无需通过显式编程。机器学习的核心原则是从数据集中学习，并尝试最小化错误或最大限度地发挥其预测的可能性。

机器

学习的缺点

§ 传统的深度学习算法在使用高维数据时是无用的，那就是我们有大量的输入和输出。例如，在手写识别的情况下，我们具有大量的输入，我们将具有与不同类型的笔迹相关联的不同类型的输入。

§ 第二个主要挑战是告诉电脑，它应该寻找哪些功能，这将在预测结果中发挥重要作用，并在这样做时获得更好的准确性。这个过程被称为 特征提取。

将原始数据提供给算法很少有效，这就是为什么特征提取是传统机器学习工作流程的关键部分。因此，在没有特征提取的情况下，程序员的挑战随着算法的有效性在很大程度上取决于程序员的见解。因此，将这些机器学习模型或算法应用于诸如对象识别，手写识别，NLP（自然语言处理）等复杂问题是非常困难的。

什么

是深度学习

深度学习是我们克服特征抽象提取这一挑战的唯一方法。这是因为深入的学习模式能够自己学习专注于正确的功能，而不需要程序员的指导。基本上，深度学习模仿我们大脑的功能，即从经验中学习。如你所知，我们的大脑由数十亿个神经元组成，使我们能够做出惊人的事情。即使是一岁大孩的大脑也可以解决即使使用超级计算机也难以解决的复杂问题。例如：

· 认识到他们的父母和不同的对象的脸。
· 歧视不同的声音，甚至可以基于他/她的声音认出一个特定的人。
· 从其他人的面部手势抽取推论等等。·
实际上，我们的大脑多年来一直对自己做这些事情进行了自觉的训练。现在，问题来了，深入学习如何模仿大脑的功能？那么，深入的学习使用人造神经元的概念，其功能与我们大脑中存在的生物神经元相似。因此，我们可以说，深度学习是机器学习的一个子领域，涉及到由大脑称为人造神经网络的结构和功能启发的算法。

深度

学习应用

现在，让我们举个例子来了解一下。假设我们想制作一个可以识别图像中不同人物的面孔的系统。如果我们将其解决为典型的机器学习问题，我们将定义眼睛，鼻子，耳朵等面部特征，然后系统将识别哪些特征对于自己更重要。

现在，我们对深度学习的把握又进了一大步。深度学习会自动发现由于深层神经网络而对分类很重要的特征，而在机器学习的情况下，我们必须手动定义这些特征。

如上图所示，深度的工作原理如下：

·

· 在最低层次上，网络对局部对比模式的重视。

· 然后，以下层可以使用这些局部对比的图案来固定类似于眼睛，鼻子和嘴巴的东西

· 最后，顶层可以将这些面部特征应用于面部模板。

· 深层神经网络能够在其每个连续层中构成越来越复杂的特征。

你有没有想过脸书会自动标记或标记你上传的图片中的所有人？那么脸书以类似于上面的例子所说的方式使用深度学习。现在，您将意识到深度学习的能力，以及如何在不太了解可能影响结果的所有功能的情况下，超越机器学习。因此，深度网络可以通过从包含输入数据的数据集中推断出机器学习的缺点，而无需适当的标注。

深度

学习的应用

在深入学习博客的前提下，让我们来看看深度学习的一些现实生活中的应用，以了解其真正的实力。

§语音识别§

所有人都会听说过Siri，这是苹果公司的声控智能助手。像其他大巨头一样，苹果也开始投资深度学习，使其服务比以往任何时候都更好。

在像Siri这样的语音识别和语音控制智能助手领域，人们可以使用深层神经网络来开发更准确的声学模型，目前是深入学习实现中最活跃的领域之一。简单来说，您可以建立可以根据您学习新功能或适应自己的系统，从而通过事先预测所有可能性来提供更好的帮助。

§自动机器翻译§

我们都知道，谷歌可以立即翻译100种不同的人类语言，太快，就像魔术一样。Google翻译技术被称为机器翻译并且由于说话语言的差异而不能互相沟通的人的救星。现在，你会认为这个功能已经存在了很长时间了，所以这里有什么新鲜事？让我告诉你，在过去两年里，Google借助深度学习，全面改革了Google翻译机器翻译方法。事实上，几乎不了解语言翻译的深入学习研究人员提出了相对简单的机器学习解决方案，这些解决方案正在击败世界上最好的专家语言翻译系统。文本翻译可以在没有序列的任何预处理的情况下执行，允许算法学习单词之间的依赖关系及其与新语言的映射。

§即时视觉翻译§

如你所知，深度学习用于识别具有字母和字母在场景上的图像。一旦识别，它们可以变成文本，翻译，并使用翻译的文本重新创建图像。这通常被称为即时视觉翻译。

现在，想象一下，你曾访问过其他不知道母语的国家。那么，没有必要担心，使用各种各样的应用程序，如谷歌翻译，你可以继续执行即时视觉翻译阅读标志或购买用另一种语言写的板。只有深入学习才有可能。

注意：您可以继续下载Google翻译应用程序，并使用上述图像查看惊人的即时视觉翻译。§行为：自动自驾车§

Google正试图将他们的自驾车称为WAYMO，采用深度学习，达到全新的完美水平。因此，他们现在可以使用不同传感器提供的数据来编程可以自己学习的系统，而不是使用旧的手编码算法。深入学习现在是大多数感知任务以及许多低级别控制任务的最佳方法。因此，现在即使是不知道驾驶还是残疾人的人，都可以继续前行而不依赖别人。

在这里，我只提到几个着名的现实生活用例，深度学习被广泛使用并显示出有希望的结果。还有许多深入学习的应用以及尚待探索的许多领域。

喜欢小编轻轻点个关注哦！