2023年hinton等人提出深度學習的概念 ，是人工智慧這幾年最大的突破的原因。這裡一句話概括下什麼是深度學習：「輸入乙個物件，通過逐層進行多維度運算，最後輸入結果」。
深度學習其實是相對專家系統而言，之前的判斷是通過用大量 「如果-就」 (if - then) 規則定義的，自上而下的思路。深度學習是仿照人工神經網路 自下而上的思路，試圖模仿大腦的神經元之間傳遞，處理資訊的模式。
以上是現在深度學習的情況，接下來我說下深度學習以後可能發展的情況。深度學習本質其實就是模擬人腦來學習知識，然後運算處理我們需要解決的問題。所有我們先看下我們的人腦，左腦主要從事邏輯思維，右腦主要從事形象思維。現在我們的深度學習，其實模仿的是人的左腦，通過高儲存，高運算，計算機在很多領域在邏輯思維上已經超過了人腦，仿照人工神經網路的原理，可以說目前的人工智慧演算法完全可以替代人。但人的右腦主要是創新，形象思維，這是電腦無法完成的。但人的右腦是如何工作的呢？
這裡我們來個遊戲，氵+ 來(lai)=淶（lai）,氵+ 去(qu)=法（qu）,如果最快的速度人們認為這個是合理的，但仔細一想應該讀法（fa）,通過這個實驗我們知道，其實人們識別判斷第一反映是右腦，然後在左腦。也就說人們為了快速判斷一件事情，第一反映是感性的，後面才理性。
接下來開始說複雜的了，我們人腦一開始依靠記憶力和邏輯，例如我們小時候認動物：
這個是蛇，小時候父母告訴我們是危險動物，但蛇的種類很多，我們不可能看到所有種類，例如：
這是乙個很抽象的蛇，我們計算機是無法通過第一張圖蛇，判斷第二張圖也是蛇。我們的右腦會把第一張圖的關鍵點提取出來，然後後面看見一樣的，先會用右腦判斷是危險還是安全，然後在左腦詳細判斷出來，這也是我們人類能存活到現在的原因，否則早被猛獸吃掉。
好接下來說下計算機，人的左像腦就計算機通，過深度學習+海量資料，實現人的邏輯處理，例如運算，影象比對，重複海量計算等。但人的右腦就比較負責，他需要把乙個個的海量資料抽取，然後不斷完善其模型，等出現同樣的問題，第一時間看有模型能匹配沒有，然後在邏輯出有對應的實體資料。
最後總結下：
1深度學習是模仿人工神經網路，目前已經能超過人的邏輯運算能量，但人的形象思維目前還無法完成。
2人對事情的判斷是先形象在邏輯，這樣可以減少危險，加快對事情的處理。
3計算機需要具有形象思維，才能算完整的人腦模型。
機器學習mAP之我見
在模型評估時，我們往往會參照一些效能指標，最基本的如準確率和召回率。看過西瓜書的同學應該對下面這張 很熟悉 這張表其實很好記憶，橫著看 actual p和actual n 代表實際所屬的類別 豎著看 predicted p和predicted n 代表 的型別。如果實際和 都一樣，那就是真正例 tp...
管中窺豹 機器學習之我見
人工智慧領域顯然是這兩年技術的熱點區域，特別是機器學習 深度學習 各種神經網路技術，更是火的一塌糊塗。這些技術都被冠以智慧型的高帽，讓人望而生畏。不過，我突然發現乙個有意思的現象。當你對乙個 三 四歲的小孩提問時，他會思考一下，然後要麼告訴你他的理解，要麼回答你不知道。可是，如果提問的物件是各種所謂...
R語言學習之我見
作為乙個學習r語言兩年的乙個過來人，跌跌撞撞，走過一些彎路，也有一些自己方法，我認為學r語言可以這樣學習 1 環境 2 基本資料結構 向量字串 陣列矩陣 資料框因子列表表 邏輯運算 3 迴圈 for迴圈 repeat迴圈 while迴圈 4 函式 函式基本語法 遞迴函式 管道函式 5 基本視覺化繪圖...