深度学习 (DL)
深度学习革命始于 2010 年左右。
从那时起，深度学习已经解决了许多“不可解决”的问题。
深度学习革命并非由一项单一发现引发的。它或多或少是当几个必要的因素准备就绪时发生的
- 计算机足够快
- 计算机存储空间足够大
- 发明了更好的训练方法
- 发明了更好的调优方法
神经元
科学家们一致认为，我们的大脑拥有 800 亿到 1000 亿个神经元。
这些神经元之间有数千亿个连接。
图片来源：巴塞尔大学生物中心。
神经元（又称神经细胞）是我们大脑和神经系统的基本单元。
神经元负责接收来自外部世界的输入、发送输出（对肌肉的命令）以及在两者之间转换电信号。
神经网络
人工神经网络通常被称为神经网络 (NN)。
神经网络实际上是多层感知器。
感知器定义了进入多层神经网络的第一步。
神经网络是深度学习的本质。
神经网络是历史上最重要的发现之一。
神经网络可以解决算法无法解决的问题
- 医疗诊断
- 人脸检测
- 语音识别
神经网络模型
输入数据 (黄色) 在隐藏层 (蓝色) 中进行处理，并在另一个隐藏层 (绿色) 中进行修改，以产生最终输出 (红色)。
汤姆·米切尔
汤姆·迈克尔·米切尔 (Tom Michael Mitchell，生于 1951 年) 是一位美国计算机科学家，卡内基梅隆大学 (CMU) 的大学教授。
他是 CMU 机器学习系的 पूर्व अध्यक्ष。
E：经验（次数）。
T：任务（驾驶汽车）。
P：性能（好坏）。
长颈鹿故事
2015 年，伦敦帝国理工学院的学生马修·莱 (Matthew Lai) 创建了一个名为长颈鹿 (Giraffe) 的神经网络。
长颈鹿可以在 72 小时内训练，使其能够像国际象棋大师一样下象棋。
计算机下象棋并不新鲜，但这个程序的创建方式是新的。
智能象棋程序需要数年时间才能构建，而长颈鹿则是用神经网络在 72 小时内构建的。
深度学习
经典编程使用程序（算法）来创建结果
传统计算
数据 + 计算机算法 = 结果
机器学习使用结果来创建程序（算法）
机器学习
数据 + 结果 = 计算机算法
机器学习
机器学习通常被认为等同于人工智能。
这是不正确的。机器学习是人工智能的一个子集。
机器学习是 AI 的一个学科，它使用数据来教授机器。
“机器学习是一个研究领域，赋予计算机在没有被编程的情况下学习的能力。”
亚瑟·塞缪尔 (Arthur Samuel，1959)
智能决策公式
- 保存所有操作的结果
- 模拟所有可能的结果
- 将新的操作与旧的操作进行比较
- 检查新的操作是好是坏
- 如果新的操作较差，则选择新的操作
- 重复以上操作
计算机能够执行数百万次这一操作的事实证明，计算机能够做出非常明智的决定。
