深度学习机是什么

优质回答与知识(10)

网络上那么多深度学习的资料,学习了很多之后还是懵懵懂懂的。我建议你可以听下菜鸟窝的人工智能免费公开课,他们老师通过横向对比的方式,让你了解一个普通的程序和机器学习算法的相同点/差别点是什么?对于程序而言就是要一个准确的结果,而对于机器学习而言我们要的是规则。机器学习有聚类算法和分类算法,这是常见的一些机器学习算法。网络上大多数资料都显示深度学习只是机器学习的一种特殊类型,今天我们从另一个角度来看,其实深度学习是另外一类算法的集合,深度学习的核心是网络深度和网络结构。网络深度是一个相对概念,没有说一个隐藏层要大于多少才算深度学习。深度学习的另外一个核心是网络结构:深度自信网络、神经网络、循环网络、卷积网络都各自是一种结构。按照结构的不同,有不同的分类,比如LSTM、ResNet都是一种特殊的结构,而不是一种特殊的算法。LSTM是深度学习算法领域中的一种网络结构,千万不要理解为一种算法。

2020-08-29 21:07:19

电源直接连核电站就行了。

2020-08-29 21:22:03

不好用追答捆绑太多

2020-08-30 17:16:26

请用微pe,良心pe,不捆绑。

2020-08-30 17:53:08

《智能问答与深度学习》ChatoperaCEO王海良著,对学习智能问答的朋友很有用!强烈推荐!

2020-08-29 22:10:31

概念涵盖不同,可以从字面上来加深理解。“人工智能”去掉修饰限定词就是“智能”,“深度学习”是机器的学习能力,具备“深度学习”能力的机器必然更加智能化,所以“深度学习”是促进机器表现更加智能化的一种实现方法。

2020-08-29 22:01:34

人工智能 就是人工地让机器智能化,像人一样思考、学习与行为。如何让机器(machine)像人一样思考、学习与行为???这些方法(算法)有很多!统称为“机器学习”。“深度学习”是“机器学习”中的一个重要领域。其概念源于人工神经网络的研究,模仿人类的神经元之间的联系机制。

2020-08-29 21:20:57

用Python做深度学习。感兴趣可以搜搜我的视频课程人工智能包含机器学习,机器学习包含深度学习。

2020-08-29 22:29:51

人工智能(Artificial Intelligence) ,英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。学习的话可以加裙前面六九式中间二六九最后加上五四零就可以进来学习了奥,不定期还会有资料推送,还有人工智能领域大牛在线解答问题。什么是机器学习机器学习可以理解为机器从已知的经验数据(样本)中,通过某种特定的方法(算法),自己去寻找提炼(训练/学习)出一些规律(模型);提炼出的规律就可以用来判断一些未知的事情(预测)。比如我们接触了1w只单身汪(已知样本),通过归纳总结与比较(算法)找出TA们身上一些共性特点,然后将这些共性特点作为判断单身汪的依据(模型),那么下次遇到一个人(未知样本),就可以判断TA是不是单身了(预测)。既然是从一堆已知的样本中找规律,那么找规律的方式以及找出的规律的形态就会因人而异,也就是算法与模型都可能会有所不同。所以,机器学习本身也是分为不同流派的,每种流派都有它代表性的模型与算法。机器学习主要分为符号主义学习(以决策树模型与相关算法为代表)、连接主义学习(以神经网络模型与相关算法为代表)与统计学习(以支持向量机与相关算法为代表)。符号主义学习与连接主义学习在20世纪80年代至90年代中期非常流行,统计学习则从90年代中期开始迅速占据舞台。值得一提的是,为判断一个人是否为单身汪而找出的一系列特征规律其实就是一棵决策树。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。人工智能是一个大的概念,是研究如何使机器获得智能的学科;机器学习是人工智能中的一个技术流派,通过从已知样本中提炼规律来获得判断未知样本的“智能”;深度学习则是机器学习的一种,它所学习出来的模型是深度神经网络。

2020-08-29 21:51:58

有人说,人工智能(AI)是未来,人工智能是科幻,人工智能也是我们日常生活中的一部分。这些评价可以说都是正确的,就看你指的是哪一种人工智能。今年早些时候,Google DeepMind的AlphaGo打败了韩国的围棋大师李世乭九段。在媒体描述DeepMind胜利的时候,将人工智能(AI)、机器学习(machine learning)和深度学习(deep learning)都用上了。这三者在AlphaGo击败李世乭的过程中都起了作用,但它们说的并不是一回事。今天我们就用最简单的方法——同心圆,可视化地展现出它们三者的关系和应用。向左转|向右转如上图,人工智能是最早出现的,也是最大、最外侧的同心圆;其次是机器学习,稍晚一点;最内侧,是深度学习,当今人工智能大爆炸的核心驱动。五十年代,人工智能曾一度被极为看好。之后,人工智能的一些较小的子集发展了起来。先是机器学习,然后是深度学习。深度学习又是机器学习的子集。深度学习造成了前所未有的巨大的影响。从概念的提出到走向繁荣1956年,几个计算机科学家相聚在达特茅斯会议(Dartmouth Conferences),提出了“人工智能”的概念。其后,人工智能就一直萦绕于人们的脑海之中,并在科研实验室中慢慢孵化。之后的几十年,人工智能一直在两极反转,或被称作人类文明耀眼未来的预言;或者被当成技术疯子的狂想扔到垃圾堆里。坦白说,直到2012年之前,这两种声音还在同时存在。过去几年,尤其是2015年以来,人工智能开始大爆发。很大一部分是由于GPU的广泛应用,使得并行计算变得更快、更便宜、更有效。当然,无限拓展的存储能力和骤然爆发的数据洪流(大数据)的组合拳,也使得图像数据、文本数据、交易数据、映射数据全面海量爆发。让我们慢慢梳理一下计算机科学家们是如何将人工智能从最早的一点点苗头,发展到能够支撑那些每天被数亿用户使用的应用的。|人工智能(Artificial Intelligence)——为机器赋予人的智能向左转|向右转早在1956年夏天那次会议,人工智能的先驱们就梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。这就是我们现在所说的“强人工智能”(General AI)。这个无所不能的机器,它有着我们所有的感知(甚至比人更多),我们所有的理性,可以像我们一样思考。人们在电影里也总是看到这样的机器:友好的,像星球大战中的C-3PO;邪恶的,如终结者。强人工智能现在还只存在于电影和科幻小说中,原因不难理解,我们还没法实现它们,至少目前还不行。我们目前能实现的,一般被称为“弱人工智能”(Narrow AI)。弱人工智能是能够与人一样,甚至比人更好地执行特定任务的技术。例如,Pinterest上的图像分类;或者Facebook的人脸识别。这些是弱人工智能在实践中的例子。这些技术实现的是人类智能的一些具体的局部。但它们是如何实现的?这种智能是从何而来?这就带我们来到同心圆的里面一层,机器学习。|机器学习—— 一种实现人工智能的方法向左转|向右转机器学习最基本的做法,是使用算法来解析数据、从中学习,然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同,机器学习是用大量的数据来“训练”,通过各种算法从数据中学习如何完成任务。机器学习直接来源于早期的人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。众所周知,我们还没有实现强人工智能。早期机器学习方法甚至都无法实现弱人工智能。机器学习最成功的应用领域是计算机视觉,虽然也还是需要大量的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器,以便让程序能识别物体从哪里开始,到哪里结束;写形状检测程序来判断检测对象是不是有八条边;写分类器来识别字母“ST-O-P”。使用以上这些手工编写的分类器,人们总算可以开发算法来感知图像,判断图像是不是一个停止标志牌。这个结果还算不错,但并不是那种能让人为之一振的成功。特别是遇到云雾天,标志牌变得不是那么清晰可见,又或者被树遮挡一部分,算法就难以成功了。这就是为什么前一段时间,计算机视觉的性能一直无法接近到人的能力。它太僵化,太容易受环境条件的干扰。随着时间的推进,学习算法的发展改变了一切。|深度学习——一种实现机器学习的技术向左转|向右转人工神经网络(Artificial Neural Networks)是早期机器学习中的一个重要的算法,历经数十年风风雨雨。神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一个神经元可以连接一定距离内的任意神经元不同,人工神经网络具有离散的层、连接和数据传播的方向。例如,我们可以把一幅图像切分成图像块,输入到神经网络的第一层。在第一层的每一个神经元都把数据传递到第二层。第二层的神经元也是完成类似的工作,把数据传递到第三层,以此类推,直到最后一层,然后生成结果。每一个神经元都为它的输入分配权重,这个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重加总来决定。我们仍以停止(Stop)标志牌为例。将一个停止标志牌图像的所有元素都打碎,然后用神经元进行“检查”:八边形的外形、救火车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论,它到底是不是一个停止标志牌。神经网络会根据所有权重,给出一个经过深思熟虑的猜测——“概率向量”。这个例子里,系统可能会给出这样的结果:86%可能是一个停止标志牌;7%的可能是一个限速标志牌;5%的可能是一个风筝挂在树上等等。然后网络结构告知神经网络,它的结论是否正确。即使是这个例子,也算是比较超前了。直到前不久,神经网络也还是为人工智能圈所淡忘。其实在人工智能出现的早期,神经网络就已经存在了,但神经网络对于“智能”的贡献微乎其微。主要问题是,即使是最基本的神经网络,也需要大量的运算。神经网络算法的运算需求难以得到满足。不过,还是有一些虔诚的研究团队,以多伦多大学的Geoffrey Hinton为代表,坚持研究,实现了以超算为目标的并行算法的运行与概念证明。但也直到GPU得到广泛应用,这些努力才见到成效。我们回过头来看这个停止标志识别的例子。神经网络是调制、训练出来的,时不时还是很容易出错的。它最需要的,就是训练。需要成百上千甚至几百万张图像来训练,直到神经元的输入的权值都被调制得十分精确,无论是否有雾,晴天还是雨天,每次都能得到正确的结果。只有这个时候,我们才可以说神经网络成功地自学习到一个停止标志的样子;或者在Facebook的应用里,神经网络自学习了你妈妈的脸;又或者是2012年吴恩达(Andrew Ng)教授在Google实现了神经网络学习到猫的样子等等。吴教授的突破在于,把这些神经网络从基础上显著地增大了。层数非常多,神经元也非常多,然后给系统输入海量的数据,来训练网络。在吴教授这里,数据是一千万YouTube视频中的图像。吴教授为深度学习(deep learning)加入了“深度”(deep)。这里的“深度”就是说神经网络中众多的层。现在,经过深度学习训练的图像识别,在一些场景中甚至可以比人做得更好:从识别猫,到辨别血液中癌症的早期成分,到识别核磁共振成像中的肿瘤。Google的AlphaGo先是学会了如何下围棋,然后与它自己下棋训练。它训练自己神经网络的方法,就是不断地与自己下棋,反复地下,永不停歇。|深度学习,给人工智能以璀璨的未来深度学习使得机器学习能够实现众多的应用,并拓展了人工智能的领域范围。深度学习摧枯拉朽般地实现了各种任务,使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车,预防性医疗保健,甚至是更好的电影推荐,都近在眼前,或者即将实现。人工智能就在现在,就在明天。有了深度学习,人工智能甚至可以达到我们畅想的科幻小说一般。你的C-3PO我拿走了,你有你的终结者就好了。

2020-08-29 21:46:38

相关问题