使用机器学习和神经网络进行改进

直至数百万次自发对抗，直到终成为胜利者，听起来有点令人讨厌吗？好吧，是的。但是，当您将机器学习和人工智能带入更高层次的深度学习时，您的神经元就会受到打击，我们希望现在能将其中的一些清晰内容传递给您，那么什么是深度学习？它的其他一些名称提供了更多的见解；它也被称为深度结构学习，分层学习或深度机器学习。正如这些所暗示的那样，深度学习是关于从各种来源获取机器学习，然后对其进行重组和重组。

深度学习意味着我们将堆叠很多层，并且我们将建立非常深入的模型

正是这种深度的机器学习水平才终使真正的基于机器的语音，图像和模式识别成为可能。他说：深度学习弥合了原始像素表示和类别之间的鸿沟，有一袋东西被认为是深度学习，但还不算深入，深度学习是指您将数据的原始表示形式理解为十到二十层的类别，这些层不仅沿一个方向流动，而且向后传播以检查错误。

什么是深度学习？深度学习的路径经历了以下几个阶段：

1、基于规则的系统：我们采用了输入和手工设计的程序来创建输出。

2、经典机器学习：  我们通过手工设计的功能映射建立在基于规则的系统上。

3、代表性机器学习：  输入创建学习的特征，然后将其映射到结论，然后得出结论。

4、深度学习：终，输入创建学习的功能，然后这些学习的功能变成学习的复杂功能，然后将这些功能终从功能映射到特定输出。

为什么企业应该关心深度学习？

它听起来确实昂贵且复杂，但是了解深度学习的价值却是无价的。深度学习不仅使流行数据成为流行词，更使大数据成为可能。机器学习及其更深的表亲将为您提供竞争性洞察客户的见解，然后使您将其转化为深入的活动。深度学习具有计算机学习模式和识别习惯，需要数百万的市场研究才能做出有根据的猜测。

深度学习是我们更以数据为中心的一个好答案

1、如果您的表示形式与要预测的目标之间有很大的差距，则您会遇到问题。让网络学习如何弥合这一差距是一个好主意。

2、当手工制作的功能不起作用时。

3、有很多数据用于视觉失真的训练。

4、当您可以负担得起地访问硬件以在其上运行时，因为它需要大量内存和处理。

数据科学必须取得成果。这不仅仅是交付模型；这是关于问：如何量化该模型？

1、有什么改进？

2、您可以量化模型质量吗？

3、您可以量化影响吗？

4、对客户旅程有什么影响？

5、可以将其转换为财务结果吗？

就负担能力而言，精益也越来越容易获得

在谈到专门的表示性学习时，好消息是，我们能够使用这些模型进行学习，这要归功于GPU，GPU是一种专门用于数学计算的高性能计算计算机芯片。当GPU使您能够通过网络应用深度学习图像时，自然语言处理和计算机视觉尤其如此。

这些神经网络方法中常见的方法

具有更多层的多层感知器的深度神经网络，用于多层感知器的自动编码器和去噪自动编码器，以及提取和组合强大的功能，随着像这样的深度学习的进步，现在我们可以解决问题，现在我们可以转移到其他事情上，例如使用更少的数据，改革学习，主动学习等，”允许企业，尤其是他们的数据科学家实施一次机器学习，然后专注于对其进行改进。