深度学习：它是什么？它与机器学习有什么关系？

什么是深度学习？

深度学习是 2000年代左右 机器学习技术诞生的一部分。因此，我们应该将其归类为计算机科学的一部分。

尽管它们的结构也相当复杂，但它们比旧系统具有更高的自治性 。当执行不同类型的任务时，它们比其他使用机器学习算法的系统执行相同或更好的工作时，这给他们带来了明显的优势。

此外，在其他一些作品中，深度学习也比其前身更为突出。最臭名昭著的案例之一是 AlphaGo 式人工智能， 它是 Google 的情报，能够击败 Go 的世界冠军。

也许对您来说听起来有点中文，但 Go 是一款非常著名的游戏 ，而且要求很高。在上下文中，数学家强调说，这一爱好比国际象棋要复杂得多。

另一方面，深度学习与 大数据 密切相关 ，因为这些重要的信息资源可用于学习和巩固经验。 此外，由于我们所处的环境，此技术的扩散和开发环境非常适合三个关键点：

数据的大量积累，因为使用我们今天拥有的工具，几乎任何人都可以获取和存储数据。 我们所处的技术水平，因为这些组件很好地共同提供了强大的功能。 公司希望改进其方法论，因为利用了前两点，越来越多的公司将赌注押在人工智能上。如果您的公司已存储了成千上万客户的数据，并且技术为您提供了向他们学习和使用的机会，那么这是安全的选择。

深度学习的结构

尽管它的发展与机器学习非常相似，但是这套算法还是有一些核差异。 最重要的可能是其内部结构，即构成其算法的代码。

关于深度学习的总体思路

如您在图中看到的，深度学习与神经网络密切相关。这个概念并不是什么新鲜事物，但是已经很久没有出现在我们身上了，所以您可能不知道。

为了简化它，我们可以将神经网络定义为一组用于处理和传输信息的算法 （每个算法称为层）。每一层接收输入值并返回输出值，当它通过整个网络时， 将返回最终的结果值。 所有这些通常是顺序发生的，通常情况下， 根据期望的结果 ，每个图层的权重都不同。

在这里，我们向您展示了一段简短的视频（英语），内容是关于 人工智能学习如何玩“ 超级马里奥世界”的视频：

您可能会想： “为什么所有这些方法都这么复杂？” 。当然，深度学习仍然属于我们所谓的弱人工智能，但这可能是迈向强大的第一步。

大脑的工作原理大致上启发了这种方法。与我们在 “物理世界”中看到的类似，系统形成层，每一层的工作方式与神经元相似。 这样，各层相互关联，共享信息，最重要的是所有事情都是自主完成的。

深度学习的工作原理非常简化的方案

按照此规则，最完整的智能通常是具有更多层和更复杂算法的 智能。

人工智能如何与该算法一起工作？

如果您看过我们以前有关该主题的文章， 那么您将已经看过此gif。 在这里您可以看到我们有关人工智能的文章，在这里您可以阅读一些有关机器学习的知识。

但我们最后一次向您展示。

该图像很好且非常简单地反映了使用神经网络的智能如何工作。 如您所见，他的工作很简单：对图像进行分类并学会在传递给他的不同照片中检测狗。

每个图像都从输入输入提要开始，也就是输入层，在该输入提要中已经开始了第一次计算。所获得的结果将共享给第二层或神经元，并且显然可以得知是哪个神经元进行了此计算。 重复此过程的次数与系统的层数相同，直到达到最后一层为止。

最后一个神经元被命名为输出层，在此示例中，该神经元显示结果。在其他情况下，输出层最终将执行所计算的动作。 同样，如果我们加入必须尽可能快地行动的公式（例如在视频游戏中）， 结果应该几乎是瞬时的。 但是，由于我们所处的技术要点， 这已经成为可能。

最明显的例子之一就是 AlphaStar人工智能， 它是 Google 本身的另一种创造。

Google Deepmind 人工智能

我们已经向您介绍了 AlphaGo ，这是一种能够与世界上最好的围棋选手对抗的 AI 。但是，这个人有年轻的兄弟姐妹，能够实现一些令人印象深刻的里程碑。

零度

这位情报人员在短短 24小时内就学会了超人水平的象棋，象棋和走法，并因此赢得了数名著名球员。 此外，在失败的对手名单中，他还指出了3天经验的 AlphaGo Zero 版本，这确实令人难以置信。这里出现了这种人工智能的学习速度。

最令人印象深刻的是，该团队无法访问学习书籍或数据库，因此他们的所有战术都是通过实践学习的。

在他的另一个遭遇中，他遇到了 Stockfish ，这是一个经验丰富的自动化国际象棋自动开源程序。但是，在短短四个小时内，它就被 AlphaZero 占据了主导地位。

应该注意的是，虽然这首先计算了约7, 000万个动作， 但在国际象棋中的 AlphaZero 仅考虑了8万个不同的出口。 预测上的差异被更好的对有前途的比赛的判断所抵消。

通过这样的力量演示，我们可以看到新型人工智能的强大功能。

阿尔法星

另一方面， AlphaStar 是一款如今可以玩 RTS Starcraft II （实时策略，西班牙语）的 AI 。

在演示时， AlphaStar 与中间的几位职业玩家进行了对抗，连续赢得了十场比赛，而最后一场则输掉了。

与国际象棋或围棋不同，《星际争霸2》是实时对战，因此您必须每秒钟都在做事。因此，我们可以瞥见当前的技术能够保持这些疯狂的计算和决策节奏。

至于情报的准备，对于现场测试的日期，他仅使用原型（可用种族之一）就具有大约200年的培训经验。还对它进行了培训，使其仅在将摄像机物理安装在设备上时才可以执行操作，从而使人的游戏方式更加有趣。

但是，尽管有这些障碍， AlphaStar 还是在比赛的竞争方面使用了一种废弃的战术来击败了大多数遭遇。需要注意的一点是， AlphaStar 通常将 APM （每分钟操作数）保持在较低水平，因此其决策非常有效。

人工智能和专业玩家每分钟执行的平均动作

但是，当情况需要时，他通过轻松打破计数器来显示对单位的超人控制 。

在这里，您可以完整地看到他的演示之一：

人工智能的未来

我们已经讨论过这个话题，因此我们不会重复太多。应该强调的是等待深度学习的未来可能。

人工智能的著名专家吴恩达（NGN - NG）表示，深度学习是迈向未来智能的重要一步。 与其他教学方法不同，随着我们增加数据样本，这种方法的效率大大提高。

我们建议您BABAHU X1：AI牙刷现已上市

下一张幻灯片属于他的演讲 “信息科学家应该对深度学习了解什么”。如果您有兴趣， 可以在此链接上看到它。

没有白费，技术的发展还没有停止。 每年我们将拥有更强大的组件，因此我们将有越来越多的露台可以测试。与旧的AI 和机器学习一样， 新的算法，方法和系统将出现并取代当今创新的深度学习。

而且，您可以想象， 半智能机器可以应对未来。

正如我们在其他文章中所指出的那样，大多数电子设备都将具有（某些已经集成了它们）支持智能。一个非常值得注意的案例是情报部门的照片，可以帮助拍摄更好质量的照片。

但是，对于大多数用户来说 ，该技术可能会蓬勃发展的一点是 IoT （西班牙语的 物联网 ）。

物联网

这个术语在技术和计算会议上越来越重要 ，并且在我们有能力的情况下寻求巩固自己的地位。

这个想法是，家用电器，电器和其他是可识别的对象，它们可以彼此通信，并且还可以通过设备进行控制。 通过这种方式，我们可以对某个地方存在的对象，它们所在的位置，与它们进行交互以及通过移动设备进行的所有操作进行计数。同样，这些对象也可能彼此交互，例如，如果食物过期了，也许冰箱会在您打开时告诉您。

另一方面，人工智能应该能够监视家用电器的状态和性能。 这样，您可以制定电计划并优化所使用的能源。

但是， 互联网安全仍然是我们需要改进的一个相关方面。 它似乎仍然没有受到太多的骚扰，但是我们都知道，如果我们希望它成为一项安全的服务 ，那将是必不可少的。

这是一个有点抽象的想法，但是随着它侵入我们的生活， 您将变得熟悉。

新技术和深度学习的重要性

不可避免的是，计算和人工智能将塑造我们等待的大部分未来。 因此，重要的是要始终半意识世界上由位控制的情况。

有了这种精神，我们已经可以看到出现了不同程度，不同课程和不同程度的课程，这些课程深入地教授了这些主题。例如，已经出现了一些数据工程，其他关于大数据的学位以及很显然的深度学习和人工智能课程。

出于同样的原因，我们敦促您调查此主题。 具有优缺点的互联网还不是自治的，完善的或真正的安全的，但是它几乎是无限的知识来源。 运气好的话，您将找到学习的地方，并且可以踏上新的语言，或更确切地说， 是一个新的世界。

由于机器学习是一门比较轻的学科，因此有些程序可以让您稍微弄乱数据。如果您有兴趣了解有关该主题的更多信息并检查自己/该技术的局限性，则可以访问 IBM Watson Developer Cloud 或 Amazon Machine Learning。 我们警告您：您将不得不创建一个帐户， 这不是一个简单的学习方法，但是也许有一天它将帮助您实现出色的目标。

这里不只是想法的世界，所以一切都在您手中。 对您来说，您如何看待与人工智能相关的新技术？ 您还知道或希望看到其他哪些深度学习应用程序？在下面的框中分享您的想法。

来源商业博客认为BigXataka机器学习精通