Author: LiChong0309
Label: Deep Learning 、Artificial Intelligence
- 1 The Development of Deep Learning
- 1.1 Turing Testing (圖靈測試)
- 1.2 醫學上的發現
- 1.3 Deep Learning的出現
- 2. 機器學習
- 3. 深度學習與傳統神經網絡的差別
Artificial Intelligence —-> Machine Learning —–>Deep Learning
在人工智能(Artificial intelligence )研究領域中，有一個研究方向和實作方法是機器學習（Machine Learning），在機器學習中，有一類算法是深度學習(Deep Learning ).
1 The Development of Deep Learning
1.1 Turing Testing (圖靈測試)
圖靈測試是人工智能是否真正能夠成功的一個标準，“計算機科學之父”、“人工智能之父”英國數學家圖靈在1950年的論文《機器會思考嗎》中提出了圖靈測試的概念。即把一個人和一台計算機分别放在兩個隔離的房間中，房間外的一個人同時詢問人和計算機相同的問題，如果房間外的人無法分别哪個是人，哪個是計算機，就能夠說明計算機具有人工智能。
1.2 醫學上的發現
1981年的諾貝爾将頒發給了David Hubel和Torsten Wiesel，以及Roger Sperry。他們發現了人的視覺系統處理資訊是分級的。
從視網膜（Retina）出發，經過低級的V1區提取邊緣特征，到V2區的基本形狀或目标的局部，再到高層的整個目标（如判定為一張人臉），以及到更高層的PFC（前額葉皮層）進行分類判斷等。也就是說高層的特征是低層特征的組合，從低層到高層的特征表達越來越抽象和概念化，也即越來越能表現語義或者意圖。
邊緣特征 —–> 基本形狀和目标的局部特征——>整個目标
這個過程其實和我們的常識是相吻合的，因為複雜的圖形，往往就是由一些基本結構組合而成的。同時我們還可以看出：大腦是一個深度架構，認知過程也是深度的。
1.3 Deep Learning的出現
低層次特征 - - - - (組合) - - ->抽象的高層特征
深度學習，恰恰就是通過組合低層特征形成更加抽象的高層特征（或屬性類别）。例如，在計算機視覺領域，深度學習算法從原始圖像去學習得到一個低層次表達，例如邊緣檢測器、小波濾波器等，然後在這些低層次表達的基礎上，通過線性或者非線性組合，來獲得一個高層次的表達。此外，不僅圖像存在這個規律，聲音也是類似的。比如，研究人員從某個聲音庫中通過算法自動發現了20種基本的聲音結構，其餘的聲音都可以由這20種基本結構來合成！
2. 機器學習
機器學習是實作人工智能的一種手段，也是目前被認為比較有效的實作人工智能的手段，目前在業界使用機器學習比較突出的領域很多，例如：計算機視覺、自然語言處理、推薦系統等等。大家生活中經常用到的比如高速上的ETC的車牌識别，今日頭條的新聞推薦，天貓上的評價描述。
機器學習是人工智能的一個分支，而在很多時候，幾乎成為人工智能的代名詞。簡單來說，機器學習就是通過算法，使得機器能從大量曆史資料中學習規律，進而對新的樣本做智能識别或對未來做預測。
3. 深度學習與傳統神經網絡的差別
深度學習可以認為是傳統神經網絡的發展。 在神經網絡剛剛發展的初期，機器學習的方法都是淺層學習。
深度學習與傳統的神經網絡有很多相似的之處，都是利用與神經網絡相似的分層結構，都是有輸出層、輸入層和中間的隐層構成。相鄰層之間的節點有連接配接，同一層的節點之間無連接配接。不同的是，神經網絡中隐層隻有一層，而在深度學習中，隐層卻有很多層。