深度学习概览与应用

在最近的研究中，意识到需要更深入地理解深度学习。这个术语可能在去年晚些时候引起了注意，并且自那以后，它在周围的影响力不断增强。为了验证这是否是一个全球性的现象，而不仅仅是基于搜索历史或过去行为的特定内容，查看了谷歌趋势中的深度学习数据。结果显而易见，正在追赶一个新的趋势。因此，让根据在过去几天阅读的内容，总结对这个话题的发现和看法。

可能已经猜到了，不是深度学习方面的专家（呼！）。但是，比大多数人更有动力去了解它们。希望为初学者提供一个有意义的总结，并向专家们提出一些发人深省的问题。如果对这个话题有任何问题/意见，请在下面的评论中添加。

什么是深度学习？

深度学习可能是当今机器学习中最热门话题之一，并且它在某些方面已经显示出比它的对手更显著的改进。它属于无监督学习算法的一类，并且使用多层神经网络来实现这些非凡的结果。以下是来自分析存储博客的一个简单插图：大量像素作为输入被送入网络，之后网络学习并演变为识别更高级别的特征，如面部和猫。

以下是一些成就，推动了对这个领域的关注：

• 在许多Kaggle竞赛中取得了惊人的准确性——猫狗图像识别（98.9%的准确性），拯救鲸鱼问题（98%的准确性）
• 能够在没有任何监督的情况下，通过YouTube视频识别猫

以下是一些事件，表明对深度学习知识人才的需求：

• 谷歌收购Deepmind Technologies
• 谷歌聘请了这个领域的思想领袖之一杰夫·欣顿（可以在Coursera上查看他的神经网络课程）

深度学习的应用

如果还没有意识到，深度学习在以下领域找到了它的应用：

• 图像识别（例如，在照片中标记面部）
• 语音识别（例如，基于语音的搜索，Siri）
• 模式检测（例如，手写识别）

但是，神经网络已经存在了几十年，为什么现在又重新引起了兴趣呢？是的，神经网络已经存在了很长时间。神经网络的兴趣在1980年代和1990年代达到了高峰，然后因为它们固有的问题和黑箱方法而消失。现在有几个原因导致了这种情况的发生。其中最大的一个原因是计算成本的降低。通过在谷歌实验室部署16,000台计算机，实现了通过无监督学习YouTube视频对猫进行分类！即使按照今天的标准，部署这些算法的成本也不小。

深度学习资源

以下是一些好的资源列表，如果对这个领域感兴趣，可以开始阅读/关注：

• 及其教程
• 杰夫·欣顿的Coursera神经网络课程
• Google+社区
• 杨立昆对深度学习的概述
• 深度学习的完整学习路径

心中还有一些问题：

• 这看起来像是一个巨大的黑箱来处理（类似于随机森林的放大版本），它可能在数据科学竞赛中表现良好，但未能提供任何商业理解。它对更广泛的社区有用和有影响力，还是只停留在数据巨头的实验室中，处理庞大的数据集？例如，模型可能会将某个人归类为可能的违约者，但不会解释为什么会这样做。
• 这些方法已经显示出一些难以解释的缺陷。根据最近的一项研究，算法能够对下图左侧的图像进行分类，但无法对右侧的图像进行分类——这些图像对人类眼睛来说可能看起来非常相似。（来源：，原始案例研究）
• 过拟合/选择正确的算法——鉴于这些算法的性质，正在构建多个中间（隐藏）层在架构中。这些在具有无限（或非常大）自由度的问题上会表现良好。然而，如果有有限的自由度，可能会最终得到一个过拟合的模型——可能是时候回到传统方法了。

必须承认，开始研究时，这些算法看起来更像是一个热门话题。但是鉴于数据巨头的关注，一些Kaggle竞赛的成功和计算成本的降低，开始相信这个领域的热度是有道理的。

它是否真的有道理，只有时间会告诉。与此同时，将继续研究，并在这里更新进展。为了在神经网络中获得专业知识，尝试深度学习实践问题——

对深度学习有什么看法？认为它会改变人们对当今机器学习的看法吗？或者认为这可能只是另一个炒作？人们将如何解决在文章中提到的一些挑战？请通过下面的评论告诉想法。

如果喜欢刚刚阅读的内容，并希望继续分析学习，

• 订阅电子邮件
• 在Twitter上关注