深度学习

如今，人工智能无疑是最热门的技术之一。人工智能的发展离不开机器学习算法的不断进步，而作为机器学习的一个分支，深度学习也在其中起着重要的作用。然而，深度学习目前也是存在着一些棘手的问题。近日，《福布斯》采访了与人工智能相关的高管，就2019年人工智能发展趋势进行了预测。MediaMath首席技术官普拉萨德·查拉萨尼表示：“深度学习模型已经被证明很容易受到数据中难以察觉的扰动，这些扰动会欺骗模型做出错误的预测或分类。随着对大型数据集的依赖越来越大，人工智能系统需要防范此类攻击数据”。

<font size="3"><strong>深度学习真的万能吗？</strong></font>

“损失函数减肥用，神经网络调权重”

在上一讲中，由于感知机不能解决“异或”问题，明斯基并无恶意却把AI冷藏了二十载。但是解决“异或”问题，其实就是能否解决非线性可分问题。如何来解决这个问题呢？？？

简单总结，其就是用更加复杂网络（利用多层前馈网络——经典的全连接前馈神经网络与BP）。接下来，我们将详细讨论该问题。

<font size="3"><strong> 6.1 复杂网络解决“异或”问题</strong></font>

我们知道了深度学习是一个包括很多隐含层的复杂网络。感知机之所以当初无法解决“非线性可分”问题，是因为相比于深度学习这个复杂网络，感知机太过于简单”。

如上所讲，想解决“异或”问题，就需要使用多层网络。这是因为，多层网络可以学习更高层语义的特征，其特征表达能力更强。因此，我们在输入层和输出层之间，添加一层神经元，将其称之为隐含层（“隐层”）。于是隐层和输出层中的神经元都有激活函数。

人工智能（AI）和机器学习（ML）是目前最热门的话题。

术语“AI”每天无处不在。经常听到有抱负的开发者说他们想要学习人工智能。还听到高管们说他们希望在他们的服务中实施AI。但很多时候，很多人都不明白AI是什么。

阅读完本文后，您将了解AI和ML的基础知识。更重要的是，您将了解最受欢迎的ML类型深度学习是如何工作的。

<font size="3"><strong>背景</strong></font>

了解深度学习如何运作的第一步是掌握重要术语之间的差异。

<font size="3"><strong>人工智能与机器学习</strong></font>

人工智能是人类智能在计算机中的复制。

当AI研究首次开始时，研究人员正试图复制人类智能以执行特定任务 - 比如玩游戏。

他们介绍了计算机需要尊重的大量规则。计算机有一个特定的可能操作列表，并根据这些规则做出决策。

机器学习是指机器使用大型数据集而不是硬编码规则进行学习的能力。

俗话说得好，人往高处走。

在当前人工智能火得一塌糊涂的时候，很多程序员的心思也开始活络起来了。

“要不要转行做人工智能？”

想必是很多程序员心中都有过的念头。

到底该怎么转呢？很多人查了资料之后，一脸懵逼：一边要熟练掌握线性代数、矩阵计算，一边要搞概率论，还要去研究各种库与框架等等。

实在是不知道该从何开始，就拖延了下去，然后很是焦虑。

现在，你不用焦虑了。

国外一个开发者分享了自己的学习过程，并结合自己的经历，给出了9个建议。

这名开发者名叫Alexey Gaziev，是一家社交媒体管理创业公司的CTO，原来是一名Ruby开发者，后来自己学习深度学习。

在开始之前，我们先跟着Alexey澄清一下相关的概念：机器学习是实现人工智能的一组工具，深度学习是机器学习的一个特定子集。

好了，下面正式开始。

<strong>1、不要焦虑</strong>

可能你不太喜欢数学。就我个人而言，自从八年前毕业后，在开始学习深度学习之前，都没有再碰过数学教科书了。

但在你想要转行做人工智能之前，用谷歌进行一些简单的搜索并与周围比较喜欢数学的人交谈后，你会形成这样一个认知：

本文翻译自李航老师发表在 National Science Review 上关于自然语言处理中的深度学习文章，该文讨论了目前存在的优势与挑战。

<center><img width="600" src="http://imgtec.eetrend.com/sites/imgtec.eetrend.com/files/201812/blog/19…; alt="自然语言处理中的深度学习：优势与挑战"></center>

<font size="3"><strong>1. 引言</strong></font>

深度学习的如日中天遮掩了进化算法的光芒，但进化算法也有望重归大众视野，毕竟在某些领域它可比深度学习领先得多。