深度学习是机器学习领域中的一个研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。<br /> 深度学习的基础要从神经网络说起，而对神经网络的学习可按如下方法进行：<br />
- 提出问题：先提出一个与现实相关的假想问题，为了由浅入深，这些问题并不复杂，是实际的工程问题的简化版本。
- 解决方案：用神经网络的知识解决这些问题，从最简单的模型开始，一步步到复杂的模型。
- 原理分析：使用基本的物理学概念或者数学工具，理解神经网络的工作方式。
- 可视化理解：可视化是学习新知识的重要手段，由于我们使用了简单案例，因此可以很方便地可视化
在正式进入深度学习之前，需要先对人工智能的发展历史有个初步的了解。<br /><br /> 如上图时间线所示，人工智能的发展先后经历了两次寒冬和三次繁荣。而截至目前，人工智能领域处于一种不断突破的状态。<br /> 对人工智能可以有如下三个层面的定义：<br />第一个层面，是人们的期待层面：
- 人们希望机器能够智能地把某件特定的事情做好，在某个领域增强人类的智慧。这种方式又叫做智能增强。
- 此外，人们希望机器可以像人类一样能认知，思考，判断，达到模拟人类的智能的水平。
第二个层面，是技术特点层面：
- 如果一个程序解决任务的效能随着经验得到了提高，那么，这个程序就能从经验中学到了关于任务的知识，并让衡量值得到提高。（从经验中学习）
- 具体的人工智能的类型：监督学习、无监督学习、强化学习
第三个层面，是应用角度层面：
在多个领域中，人工智能取得了达到或超过人类最高水平的成绩：
- 翻译领域（微软的中英翻译超过人类）- 阅读理解（SQuAD 比赛）- 下围棋（2016）德州扑克（2019）麻将（2019）
最后，简单展示一下人工智能发展过程中的范式的演化过程：
经验（经验归纳）—>理论（理论推导）—>计算仿真（数据模拟）—>数据探索（数据探索）
若有收获，就点个赞吧
0 人点赞
