深度學習迅速地成長起來了，並且以其瘋狂的實證結果著實令我們驚奇。quora上有乙個關於深度學習是否會讓其他的機器學習演算法過時的討論。特別地，相關的演算法，如反向傳播、hmm會像感知機一樣過時嗎？
這很難回答。google deepmind研發工程師jack
rae對此有乙個有趣的回答：
過去幾年的實證結果已經表明，當資料集足夠大時，深度學習提供了最好的**能力。但這是真的嗎？我知道的乙個例子，去年它並未達到對乙個超過1億行資料集的**能力。他認為深度學習之所以會導致其他學習演算法瀕臨滅絕，是因為深度學習具備非常卓越的**能力，尤其是對大中型資料集的**。當人們開始考慮使用深度學習作為解決一些問題如模式識別的第一選擇時，其他演算法將過時。
另一方面，大多數人仍然相信深度學習不會取代所有其他模型和演算法。史丹福大學人工智慧研究生jacob steinhart的觀點收到了最多的點讚。他寫道：
1、對於許多應用程式，使用更簡單的演算法像邏輯回歸和支援向量機可以工作的很好,而使用深度神經網路只會使事情變得複雜。以上是由eren golge創立的機器學習的時間表。
深度學習將成為主流，就像在20世紀早期初迅速提高的svm（支援向量機）一樣。然而，在深度學習成為機器學習演算法的第一選擇之前，深度學習的複雜性以及其大量資料的需求仍需解決。
作者簡介：ran bi，紐約大學的資料科學計畫的碩士研究生，已經完成了機器學習、深度學習和大資料分析領域的好幾個專案。
其他專家觀點：
深度學習已經在取代其他的機器學習演算法，或者說相容其他演算法，並且最終將可能成為乙個包容其他演算法的機器學習框架。關鍵在於，深度學習的數學框架本質上和其他演算法是一樣的，可以退化成傳統演算法。因為深度學習是乙個很靈活的框架，當處理小資料的時候，可以根據實際需求採用比較淺的網路結構。
我估計只有少數deep還有個主要問題：深度學習門檻較高，硬體要求也高，相比傳統機器學習演算法與hadoop結合不友好。learning的粉絲會認可dl可以取代其他演算法，另外也要看業務領域。
但從準確率來說，隨著深度學習技術成熟，取代很多傳統機器學習演算法是必然的。如分類、聚類、**、推薦和搜尋等，都有從傳統機器學習往深度學習轉的趨勢。
產業界，深度學習應用絕大多數都是有監督的機器學習，研究界更多的是研究無監督式的深度學習技術。 本質上，有監督的機器學習相對已經非常成熟，只需要更多、更好質量的資料，就能輕易的戰勝複雜的非監督深度學習。所以，我覺得，不會代替，得看具體的應用場景。有的時候，殺雞需要用牛刀，但有的場景，殺雞絕對不需要用牛刀。
我**，每隔10~15年，神經網路將經歷以下迴圈：他們將被遺忘10餘年，正如人們感到興奮的大型凸優化問題，然後慢慢的以乙個新的、**的名稱（例如深度學習）回歸。我懷疑，只要hinton、lecun、bengio和他們的門徒還在（他們很可能會以不斷增加），這就會發生！
專家觀點碰撞 深度學習能否取代其他機器學習演算法
深度學習迅速地成長起來了，並且以其瘋狂的實證結果著實令我們驚奇。quora上有乙個關於深度學習是否會讓其他的機器學習演算法過時的討論。特別地，相關的演算法，如反向傳播 hmm會像感知機一樣過時嗎？這很難回答。google deepmind研發工程師jack rae對此有乙個有趣的回答 過去幾年的實證...
深度學習白話 深度學習，才是能真正讓人成長之道
在這個物質和資訊極度豐富的時代，估計很多人跟我一樣，在各大平台買了各種課程，聽的和看的，然後在上班路上 在健身跑步時 在排隊時，甚至在 延時攝影 等待的時候，沒有讓時間白白過去，而是一邊做這些事，一邊聽了不少的課，我們為此略感欣慰，覺得自己不僅收穫滿滿，還高效地利用了時間。但這其實是假象，因為隨著時...
極限元語音演算法專家劉斌 基於深度學習的語音生成問題
一 深度學習 在語音合成中的應用 語音合成主要採用波形拼接合成和統計引數合成兩種方式。波形拼接語音合成需要有足夠的高質量發音人錄音才能夠合成高質量的語音，它在工業界中得到了廣泛使用。統計引數語音合成雖然整體合成質量略低，但是在發音人語料規模有限的條件下，優勢更為明顯。在上一期我們重點介紹了深度學習在...