人工智能(AI)是使計算機模擬人類認知行為或智力的任何代碼，算法或技術(shù)。 機器學(xué)習(xí)(ML)是AI的一個子集，它使用統(tǒng)計方法使機器學(xué)習(xí)和改進經(jīng)驗。 深度學(xué)習(xí)是機器學(xué)習(xí)的一個子集，它使得多層神經(jīng)網(wǎng)絡(luò)的計算變得可行。 機器學(xué)習(xí)被視為淺層學(xué)習(xí)，而深度學(xué)習(xí)被視為具有抽象的層次學(xué)習(xí)。

機器學(xué)習(xí)涉及廣泛的概念。 這些概念如下 -

• 監(jiān)督
• 無監(jiān)督
• 強化學(xué)習(xí)
• 線性回歸
• 成本功能
• 過度擬合
• 根據(jù)擬合
• 超參數(shù)等

在監(jiān)督學(xué)習(xí)中，我們學(xué)習(xí)從標記數(shù)據(jù)預(yù)測值。 一種叫作ML的技術(shù)可以幫助分類，其中目標值是離散值; 例如，貓和狗。 機器學(xué)習(xí)中的另一個可能有用的技術(shù)是回歸。 回歸對目標值起作用。 目標值是連續(xù)值; 例如，可以使用回歸分析股票市場數(shù)據(jù)。

在無監(jiān)督學(xué)習(xí)中，我們根據(jù)未標注或結(jié)構(gòu)化的輸入數(shù)據(jù)進行推理。 如果我們有一百萬條醫(yī)療記錄，并且我們必須理解它，找到潛在的結(jié)構(gòu)，異常值或檢測異常，我們使用聚類技術(shù)將數(shù)據(jù)劃分為大集群。

數(shù)據(jù)集分為訓(xùn)練集，測試集，驗證集等。

2012年的突破帶來了深度學(xué)習(xí)的概念突出。 算法使用2個GPU和大數(shù)據(jù)等最新技術(shù)成功將100萬個圖像分為1000個類別。

關(guān)于深度學(xué)習(xí)和傳統(tǒng)機器學(xué)習(xí)

傳統(tǒng)機器學(xué)習(xí)模型遇到的一個主要挑戰(zhàn)是一個稱為特征提取的過程。 程序員需要具體，并告訴計算機要查找的功能。 這些功能將有助于做出決定。

將原始數(shù)據(jù)輸入算法很少有效，因此特征提取是傳統(tǒng)機器學(xué)習(xí)工作流程的關(guān)鍵部分。

這給程序員帶來了很大的責任，算法的效率在很大程度上依賴于程序員的創(chuàng)造性。 對于復(fù)雜的問題，如對象識別或手寫識別，這是一個很大的問題。

深度學(xué)習(xí)能夠?qū)W習(xí)多層表示，是幫助我們進行自動特征提取的少數(shù)幾種方法之一。 較低層可以被假定為執(zhí)行自動特征提取，而幾乎不需要程序員的指導(dǎo)。