深度学习是受人类大脑工作启发的机器学习的一个子集。它涉及训练大量神经元,这些神经元构建成一个模型,然后使用该模型预测一些新的观察结果。 深度学习有两类学习,涉及各种类型的模型(不应该被称为算法),如下所述:
的 人工神经网络 强> :用于回归和分类。示例简单文本数据。
的 卷积神经网络: 强> 用于图像分类和计算机视觉。
的 递归神经网络: 强> 用于时间序列分析和长期短期记忆。从一种语言到另一种语言的翻译示例
的 自组织地图: 强> 用于特征检测
的 深玻尔兹曼机器: 强> 用于推荐系统
的 自动编码器: 强> 用于推荐系统
混合特定ML概念的“算法”,“方法”,“模型”和“实现”的概念是一种常见的误解。 ML社区中定义的大多数事物都是模型或方法,而不是算法或实现。粗略地说:
所以现在, 的 深度学习 强> 只是ML中的一般概念,虽然它经常被用来与之相关,但它还没有明确的定义 的 涉及数据表示的分层抽象的模型 强> 以及 的 训练这种模型的方法 强> 。
最常见的DL型号是 的 深度神经网络 强> , 换一种说法 的 神经网络 强> 它有多个(多少个?这是一个公开辩论,有些人说5个,其他10个或30个)非线性隐藏层。部分型号包括:
一般来说 的 楷模 强> 可 的 深 强> ,可以有方法,算法 的 对于 强> 深度学习或实施 的 的 强> 算法 的 对于 强> 深度学习。一些这样的算法是
这是习惯的 的 培训DBM 强> 。