深度学习简介
什么是深度学习？
深度学习是机器学习的一个分支，完全基于人工神经网络，因为神经网络要模仿人脑，所以深度学习也是对人脑的一种模仿。在深度学习中，我们不需要显式编程所有内容。深度学习的概念并不新鲜。它已经存在了几年。现在它大肆宣传，因为早些时候我们没有那么多的处理能力和大量的数据。与过去 20 年一样，处理能力呈指数级增长，深度学习和机器学习出现了。
深度学习的正式定义是——神经元
Deep learning is a particular kind of machine learning that achieves great power and flexibility by learning to represent the world as a nested hierarchy of concepts, with each concept defined in relation to simpler concepts, and more abstract representations computed in terms of less abstract ones.
在人类大脑中，大约有 1000 亿个神经元，这是单个神经元的图片，每个神经元通过数千个相邻神经元连接。
这里的问题是我们如何在计算机中重建这些神经元。因此，我们创建了一个称为人工神经网络的人工结构，其中有节点或神经元。我们有一些神经元用于输入值，一些神经元用于输出值，在两者之间，隐藏层中可能有很多神经元互连。
架构：
- 深度神经网络——它是一个具有一定复杂度的神经网络（在输入和输出层之间有多个隐藏层）。它们能够建模和处理非线性关系。
- 深度信念网络（DBN） ——它是一类深度神经网络。它是多层信念网络。
执行 DBN 的步骤：
一种。使用对比发散算法从可见单元中学习一层特征。
湾将先前训练的特征的激活视为可见单元，然后学习特征的特征。
C。最后，当完成最后一个隐藏层的学习时，整个 DBN 就被训练了。 - 循环（对序列的每个元素执行相同的任务）神经网络——允许并行和顺序计算。类似于人脑（连接神经元的大型反馈网络）。他们能够记住有关他们收到的输入的重要信息，从而使他们能够更加准确。
机器学习和深度学习的区别：
| Machine Learning | Deep Learning |
|---|---|
| Works on small amount of Dataset for accuracy. | Works on Large amount of Dataset. |
| Dependent on Low-end Machine. | Heavily dependent on High-end Machine. |
| Divides the tasks into sub-tasks, solves them individually and finally combine the results. | Solves problem end to end. |
| Takes less time to train. | Takes longer time to train. |
| Testing time may increase. | Less time to test the data. |
在职的 ：
首先，我们需要识别实际问题以获得正确的解决方案，应该了解，还应该检查深度学习的可行性（是否适合深度学习）。其次，我们需要确定与实际问题相对应的相关数据，并进行相应的准备。 Third, Choose the Deep Learning Algorithm appropriately.第四，在训练数据集时应该使用算法。第五，应在数据集上进行最终测试。 
使用的工具 ：
Anaconda、Jupyter、Pycharm 等
使用的语言：
R、 Python、Matlab、CPP、 Java、Julia、Lisp、 Java Script 等。
现实生活中的例子：
How to recognize square from other shapes?
...a) Check the four lines!
...b) Is it a closed figure?
...c) Does the sides are perpendicular from each other?
...d) Does all sides are equal?
So, Deep Learning is a complex task of identifying the shape and broken down into simpler
tasks at a larger side.
Recognizing an Animal! (Is it a Cat or Dog?)
Defining facial features which are important for classification and system will then identify this automatically.
(Whereas Machine Learning will manually give out those features for classification)
限制：
- 仅通过观察学习。
- 偏见问题。
好处 ：
- Best in-class performance on problems.
- Reduces need for feature engineering.
- Eliminates unnecessary costs.
- Identifies defects easily that are difficult to detect.
缺点：
- Large amount of data required.
- Computationally expensive to train.
- No strong theoretical foundation.
应用：
- 自动文本生成——学习文本语料库，并从这个模型中生成新文本，逐字或逐字符。
然后，该模型能够学习如何拼写、标点符号、构成句子，甚至可以捕捉风格。 - 医疗保健– 有助于诊断和治疗各种疾病。
- 自动机器翻译——将一种语言中的某些单词、句子或短语转换为另一种语言（深度学习在文本、图像领域取得了最高的成绩）。
- 图像识别- 识别和识别图像中的人和物体以及理解内容和上下文。该领域已被用于游戏、零售、旅游等领域。
- 预测地震- 教计算机执行用于预测地震的粘弹性计算。
本文合著者：ujjwal sharma 1