1.1 深度學習介紹
學習目標
目標知道深度學習與機器學習的區別
了解神經網路的結構組成
知道深度學習效果特點應用無
1.1.1 區別
區別
1.1.1.1 特徵提取方面
機器學習的特徵工程步驟是要靠手動完成的，而且需要大量領域專業知識
深度學習通常由多個層組成，它們通常將更簡單的模型組合在一起，通過將資料從一層傳遞到另一層來構建更複雜的模型。通過大量資料的訓練自動得到模型，不需要人工設計特徵提取環節。
深度學習演算法試圖從資料中學習高階功能，這是深度學習的乙個非常獨特的部分。因此，減少了為每個問題開發新特徵提取器的任務。適合用在難提取特徵的影象、語音、自然語言領域
1.1.2 深度學習應用場景
影象識別
物體識別
場景識別
車型識別
人臉檢測跟蹤
人臉關鍵點定位
人臉身份認證
自然語言處理技術
機器翻譯
文字識別
聊天對話
語音技術
語音識別
1.1.3 深度學習代表演算法-神經網路
1.1.3.1 神經網路
人工神經網路（ artificial neural network， 簡寫為ann）也簡稱為神經網路（nn）。是一種模仿生物神經網路（動物的中樞神經系統，特別是大腦）結構和功能的 計算模型。經典的神經網路結構包含三個層次的神經網路。分別輸入層，輸出層以及隱藏層。
網路結構
其中每層的圓圈代表乙個神經元，隱藏層和輸出層的神經元有輸入的資料計算後輸出，輸入層的神經元只是輸入。
神經網路的特點
每個連線都有個權值，同一層神經元之間沒有連線
神經元當中會含有啟用函式
最後的輸出結果對應的層也稱之為全連線層
神經網路是深度學習的重要演算法，用途在影象（如影象的分類、檢測）和自然語言處理（如文字分類、聊天等）
那麼為什麼設計這樣的結構呢？首先從乙個最基礎的結構說起，神經元。以前也稱之為感知機。神經元就是要模擬人的神經元結構。
乙個神經元通常具有多個樹突，主要用來接受傳入資訊；而軸突只有一條，軸突尾端有許多軸突末梢可以給其他多個神經元傳遞資訊。軸突末梢跟其他神經元的樹突產生連線，從而傳遞訊號。這個連線的位置在生物學上叫做「突觸」。
1.1.3.2 神經網路理解案例
我們以票房**的例子說明
輸入影響票房的n個因素，這裡舉例四個因素，結果輸出乙個y**票房結果
1.1.4 為什麼深度學習現在效果非常好
過去十多年，得益於數字社會的發展，積累了大量的資料。以前的一些演算法到達了瓶頸期，它們無法適用於大量的資料。"大規模"一直推動深度學習的發展進步。不僅僅是資料量的大，演算法模型規模越來越大等。
資料計算
訓練網路需要gpu、tpu
演算法一些創新，如relu啟用函式
深度學習簡介
一 概念 1.是機器學習研究中的乙個新的領域，其動機在於建立，模擬人腦進行分析學習的神經網路，它模擬人腦的機制進行解釋資料，學習方法也分為監督學習和非監督學習兩種方式。2.深度學習成功的條件 大資料 大規模計算能力 複雜模型 高效演算法 二 適於解決的問題的特徵 1.深度不足會出現問題 2.人腦具有...
深度學習簡介
一 人工智慧 機器學習與深度學習 1.定義 2.傳統機器學習和深度學習流程對比 3.人工智慧 機器學習以及深度學習之間的關係 二 深度學習的應用 1.計算機視覺 影象識別 2.語音識別 3.自然語言處理 nlp 4.人機博弈 三 深度學習工具介紹和對比 一 人工智慧 機器學習與深度學習 1.定義 業...
深度學習簡介
深度學習是指多層神經網路上運用各種機器學習演算法解決影象 文字等各種問題的演算法集合。深度學習從大類上可以歸入神經網路，不過在具體實現上有許多變化。深度學習的核心是特徵學習，旨在通過分層網路獲取分層次的特徵資訊，從而解決以往需要人工設計特徵的重要難題。深度學習是乙個框架，包含多個重要演算法 conv...