深度學習本身并不是新鮮事物，研究人員多年來一直在研究改進的方法，并開發新的算法。最近激發的技術是大量并行處理，巨大的數據集，以及優于傳統機器學習算法的性能的融合。
深度學習與傳統算法有何不同?
以下舉幾個例子。基于邏輯回歸的信用評分模型通常會使用10到15個輸入參數，如年齡，收入，地址等等。用于檢測欺詐的更復雜的決策樹或神經網絡可能會使用數百個參數。深入學習將其帶入一個全新的水平，并可能使用數十萬甚至上百萬個參數。而這只有在數千甚至數百萬的示例訓練模型時才能真正發揮作用。
互聯網是找到例子的理想場所。例如，當人們搜索貓，狗，火車等圖像時，它可能是用于對圖像進行分類的深度學習算法。其他用途擴展到自然語言處理，翻譯，面部識別，谷歌公司和Facebook公司廣泛使用這些算法。有趣的是，人們被用來通過諸如Captcha這樣的技術對初始圖像進行分類，其中用戶通過識別哪些圖像是狗，建筑物，水等來確認訪問的是否是人類。每批圖像將包括一些已知的圖像，還有一些是未知的圖像，一旦有幾個用戶確定圖像，它可以被標記分類，并且再出現新圖像重復這個過程。以這種方式，可以快速分類數千張圖像，以用于算法訓練。
考慮到當人類痛苦的時候，這個算法是沒有合理性的(距離阿西莫夫的“機器人三個定律”還有很長的路要走)。這意味著它實際上并不在乎人們是否得到預期的結果!
深度學習的下一步是什么?
深度學習的算法已被用于自動駕駛汽車的測試中，并做出可以減少交通傷亡人數的承諾。而在一個無人駕駛的世界里，當一場事故不可避免時，機器將如何應對?
深度學習現在正在處理這些傳統上被認為是人類特有的工作，如駕駛、新聞、法律、保險承銷和一系列更廣泛的工作。
然而，它還將創建新的作業功能，如算法審計員和分析人員以算法可以理解的方式來構建問題。
深度學習領域已經發展得很快，而在接下來的幾年里，其將以指數的速度發展。
京公網安備 11010502049343號