深度学习的风格：您需要知道的？

Q&AQ&A问答

深度学习的风格：您需要知道的？

来源：CPDA数据分析师网 / 作者：数据君 / 时间：2020-11-30

深度学习只是机器学习的另一个术语，它融合了它的进展
在某些方面，这是正确的，但是机器学习算法的进步所带来的进步创造了一种新型的认知平台，深度学习与普通机器学习的不同之处在于，将分层特征和特征网络视为可以进行独立但协调的分析的层次，深度学习将神经网络解决方案应用于多级模式识别，它可以用于独立地发现模式，也可以用作提供某些初始建模的监督解决方案的一部分，图像识别为深度学习如何以高度通用的方式提供了一个很好的例子，如果我们尝试尝试确定字母中的字母，那么分析解决方案将从每个字母的模型开始，然后使用一组相对简单的公式分析图像与该模型的接近程度。

神经网络可以在受监督的上下文中执行无层级的相同任务
从模型开始并通过多次迭代来衡量空间中每个未知字符如何适合该模型，甲深神经网络将能够观看空间为一组在一个水平上的像素，所述像素连接到抽象线路连接（边缘）的下一层，连接这些线的特征的下一层，连接这些功能到的功能集的下一层，依此类推，直到经过多次迭代，它才能够自行确定字母字符，正是这种能力通过相对稀疏的高级建模独立地分析复杂的特征集，这使深度学习与众不同，并使它变得越来越重要。

深度学习中涉及的概念正在迅速扩展，并且不断在开发新算法
它在视觉和语音识别等领域表现出的成功导致了人们的兴趣激增，算法种类越来越多，不同的算法可以更好地解决不同的问题，其中一些适合用于图像识别，例如，其他一些更适合于语音识别，而其他一些则更多地属于分析和解决问题的领域，深度学习的变体正在迅速扩展，这些变体基于不同的算法，通常结合起来以解决特定问题，深度学习也可以与其他工具结合使用，以形成更完整的认知解决方案，由于先进的算法以及GPU，可用的云资源，网络和其他基础架构的不断进步，深度学习的能力不断提高。

深度学习不能取代AI的其他元素
它通过增强制定本地决策的能力来增强它们的能力-特别是在需要实时分析模式化数据的情况下，例如在机器人技术以及语音和面部识别中，随着这些算法的不断发展，即时模式识别的前沿正在向前发展，这将对感官功能和语音/图像识别产生持续影响，我们还可以期望将深度学习整合到其他形式的分析中，例如大数据，业务分析，预测性分析，基于模型的分析以及标准数据库搜索或统计分析，与AI的其他领域一样，深度学习将继续受益于新软件和相关技术的不断扩展，它的开发和使用将要求工作场所具备新技能，并导致对AI功能的更多重视，这将支持从关注大数据和Hadoop开始的趋势。

将分析纳入普通业务流程中创造了巨大的可能性，如今这些优势正在产生，整合AI和深度学习将把它提升到一个新的水平。

客服热线：400-050-6600

商业联合会数据分析专业委员会

Prev article

统计模型和机器学习算法对于业务和数据专业人员而言通常是神秘且令人困惑的？

返回列表

Next article

NoSQL数据库需要模式吗？