人工智能的深度学习是什么?

发布时间:2020-08-16 11:00:00
阅读量:140
作者:猎维人工智能培训
人工智能现在的火爆,相信大家都是看在眼里的,如果有人问现在什么行业最火爆,相信大多数人都会说人工智能行业,因此有不少的同学都计划加入到人工智能的专业中来,自己也看过不少相关的书籍或论文。但是大部分的朋友依旧对深度学习是什么还没有一个概念,所以整理了一篇关于深度学习的文章给大家。

深度学习与浅层学习相对。现在很多的学习方法都是浅层结构算法,它们存在一定的局限性,比如在样本有限的情况下表示复杂函数的能力有限,针对复杂的分类问题其泛化能力受到一定制约。而深度学习可通过学习一种深层非线性网络结构,实现复杂函数逼近,表征输入数据分布式表示,并且能在样本集很少的情况下去学习数据集的本质特征。 虽然浅层学习的应用也很广泛,但它只对简单的计算才有效,并不能到达人脑的反应效果,这就需要深度的机器学习。这些都表明浅层学习网络有很大的局限性,激发了我们对深度网络建模的研究。

人工智能的深度学习是什么?

深度机器学习是数据分布式表示的必然结果。有很多学习结构的学习算法得到的学习器是局部估计算子,例如,由核方法构造的学习器,是由对模板的匹配度加权构成的。对于这样的问题,通常我们有合理的假设,但当目标函数非常复杂时,由于需要利用参数进行描述的区域数目也是巨大的,因此这样的模型泛化能力很差。在机器学习和神经网络研究中分布式表示可以处理维数灾难和局部泛化限制。分布式表示不仅可以很好地描述概念间的相似性,而且合适的分布式表示在有限的数据下能体现出更好的泛化性能。

深度学习更加强调模型结构的深度

深度机器学习是数据分布式表示的必然结果

深度学习是一个多层次的学习,用较少的隐含层是不可能达到与人脑类似的效果的。这需要多层的学习,逐层学习并把学习的知识传递给下一 层,通过这种方式,就可以实现对输入信息进行分级表达。深度学的实质就是通过建立、模拟人脑的分层结构,对外部输入的声音、图像、文本等数据进行从低级到高级的特征提取,从而能够解释外部数据。与传统学习结构相比,深度学习更加强调模型结构的深度,通常含有多层的隐层节点,而且在深度学习中,特征学习至关重要,通过特征的逐层变换完成最后的预测和识别。

更多资讯