機器學習基礎 - 深度學習

人工智能(AI)是使計算機模擬人類認知行爲或智力的任何代碼，算法或技術。機器學習(ML)是AI的一個子集，它使用統計方法使機器學習和改進經驗。深度學習是機器學習的一個子集，它使得多層神經網絡的計算變得可行。機器學習被視爲淺層學習，而深度學習被視爲具有抽象的層次學習。

機器學習涉及廣泛的概念。這些概念如下 -

在監督學習中，我們學習從標記數據預測值。一種叫作ML的技術可以幫助分類，其中目標值是離散值; 例如，貓和狗。機器學習中的另一個可能有用的技術是迴歸。迴歸對目標值起作用。目標值是連續值; 例如，可以使用迴歸分析股票市場數據。

在無監督學習中，我們根據未標註或結構化的輸入數據進行推理。如果我們有一百萬條醫療記錄，並且我們必須理解它，找到潛在的結構，異常值或檢測異常，我們使用聚類技術將數據劃分爲大集羣。

數據集分爲訓練集，測試集，驗證集等。

2012年的突破帶來了深度學習的概念突出。算法使用2個GPU和大數據等最新技術成功將100萬個圖像分爲1000個類別。

關於深度學習和傳統機器學習

傳統機器學習模型遇到的一個主要挑戰是一個稱爲特徵提取的過程。程序員需要具體，並告訴計算機要查找的功能。這些功能將有助於做出決定。

將原始數據輸入算法很少有效，因此特徵提取是傳統機器學習工作流程的關鍵部分。

這給程序員帶來了很大的責任，算法的效率在很大程度上依賴於程序員的創造性。對於複雜的問題，如對象識別或手寫識別，這是一個很大的問題。

深度學習能夠學習多層表示，是幫助我們進行自動特徵提取的少數幾種方法之一。較低層可以被假定爲執行自動特徵提取，而幾乎不需要程序員的指導。