深度学习的执行入门
大约在1997年，在位的国际象棋冠军加里·卡斯帕罗夫（Garry Kasparov）面对一个未知的对手。对手厉害。加里不是在扮演人类。他当时正在与IBM的巨型超级计算机Deep Blue一起玩游戏。
加里在最近几场比赛中击败了对手。但是，1997年5月11日玩的游戏却有所不同。加里输掉了比赛。深蓝创造的历史：
根据比赛规定，第一个在比赛中击败世界冠军的计算机程序。
这场比赛之所以有意义，有很多原因。它引起了世界的想象。它为将塑造AI世界的许多可能性奠定了基础。像探险家一样，数据科学家和软件工程师也踏上了相对未知的 深度学习领域。
快进2018年，深度学习是一个时髦的词。根据Gartner的说法，深度学习已经跨越了创新触发阶段。它已经达到了虚高预期的高峰阶段。
再过几年，这项技术将成为主流。但是，深度学习的应用已经渗透到我们的生活中。
本文是深度学习的入门。它试图提供对基本概念的简单解释。它讨论了其兴起的原因，并涉及了深度学习的一些应用。
这个概念
让我们首先对人工智能领域的深度学习进行分类。
如上图所示，深度学习是机器学习的子集。机器学习本身就是人工智能（AI）的子集， 人工智能是使机器逐渐变得智能的领域。
这种智慧可以通过多种方式体现出来。让我们了解深度学习系统是如何表现出来的。
基于规则的系统
想象一下一个能够识别电信组织客户流失的系统。设计该系统的一种方法是制定有关如何确定谁将流失的规则。针对特定目的手工制定了一系列业务规则，即确定将流失的客户。创建很多规则是一项艰巨的任务。有很多因素及其排列。规则也容易频繁更改。随着客户资料的更改或业务模型的更改，这些规则需要更改。
这是AI的基本形式。基于规则的系统。
机器学习系统
识别客户流失的另一种方法是创建统计学习模型。他们从过去的流失信息中学习。这些模型具有一些输入功能。这些功能会影响客户流失。他们预测客户是否流失。
这些模型是 机器学习 模型。他们从过去的数据和输入功能中学习。它们适应输入数据更改的特征。
请注意，这些机器学习模型依赖于人类来提供输入功能。 为了使模型有效，输入功能必须有用。他们依靠建模者的直觉和领域知识。建模者将必须为机器学习模型提供正确的功能。它要求正确 表示 数据。
这是一个基于机器学习的AI系统。
深度学习系统
只要数据表示与预期输出一致，传统的机器学习模型就可以正常工作。然而，当潜在特征的数量增加时，识别正确的输入特征成为一个挑战。机器学习从业者也称此挑战 为维度诅咒。在传统的机器学习模型开发中，很多时间花费在 特征工程上。
在客户流失的示例中，还有许多功能会影响客户流失。其中一些功能是未知的。其中一些是派生的。
如果这些功能可以自动学习怎么办？
此类场景具有许多未知功能，这是基于深度学习的系统大放异彩的地方。基于深度学习的系统会自动学习导致用户流失的相关特征。它获取数据的正确 表示。
“自动学习功能”的过程称为“代表性学习”。
神经网络：深度学习系统的基础
基于深度学习的系统会自动学习相关功能，以解决机器学习任务。那很棒！但是它是如何做到的呢？
深度学习网络的基础是称为神经网络的机器学习算法 。
深度神经网络是实现深度学习的基础算法。神经网络由许多简单的处理互连节点组成。
深度神经网络具有三种类型的层：
-输入层：数据点的输入或流。
-隐藏层：处理与输入互连的节点。深度神经网络具有两个以上的隐藏层。
-输出层：将已处理信息转换为可用输出的节点。
神经网络可用于 简单到复杂的模式识别。 他们在网络的第一层学习简单的功能。根据定义的阈值激活某些节点。这些激活的节点输入到网络的后续层。在接下来的几层中，它将这些特征组合在一起以得出其他复杂的特征。该过程一直进行到计算出输出层中的最终输出为止。
深度学习已经存在了一段时间。
为什么深度学习现在变得流行？
深度学习的兴起
1943年，沃伦·麦卡洛克（Warren McCulloch）写了一篇关于神经元可能起作用的论文。但是，在早期，神经网络的进步和采用受到两个重大限制的阻碍：
缺乏足够的数据量来训练深度神经网络。
训练深度神经网络所需的强大计算能力。
随着大数据和云计算的出现，这些限制不再是一个障碍。
如上图所示，自2000年以来，计算能力提高了10
关键应用
事实证明，深度学习框架可以有效地执行人类擅长的任务。人类擅长于图像识别，语音翻译和识别等任务。人类擅长识别图像中的图案并识别特定对象。人类擅长处理语言，理解语言并将其分类为意图和实体。深度学习网络在这些任务上也很出色。深度学习被广泛使用的主要领域是：
计算机视觉
计算机视觉是一个跨学科领域，涉及如何使用计算机来获得对图像的理解。
一些使用计算机视觉的应用程序是：
-对象识别：识别或分类图像或视频流中的对象。
-人脸识别：识别图像或视频流中的人脸。
自然语言处理
自然语言处理是将计算技术应用于自然语言和语音的分析和合成
深度学习框架已经在语音识别方面击败了人类。在2018年1月，微软和阿里巴巴的语音识别模型能够比人类得分更高。对于Stanford问题回答数据集来说，这是一个称为SQuAD的挑战 。
一些使用语音识别的应用程序是：
-语音识别：人类语音识别。
-实体意图识别：识别对话或文本中的意图和实体。
-语音到文本/文本到语音的转换：将语音转换为文本，反之亦然。
结论
在本文中，我们谈到了深度学习的核心组成部分。我们讨论了为什么它在上升以及它的重要应用是什么。
深度学习框架是人工智能兴起的核心。这是一个不断发展的领域。在未来几年中，它将继续被采用。深度学习应用程序将继续改变我们的生活世界。
题库