為什麼選擇深度學習？
這個問題很容易理解。機器學習算法並沒有什麼不足之處，那麼為什麼數據科學家要選擇深度學習算法呢？神經網絡能夠提供給我們這些傳統機器學習提供不了的功能呢？
常常會見到另一個問題-神經網絡需要強大的計算能力，那麼當問題中只是存在一些細微相對時，使用神經網絡真的值得嗎？問題的答案很簡單-值得！
深度學習中不同的神經網絡（如卷積神經網絡CNN，循環神經網絡RNN，人工神經網絡ANN）正在改變著我們與世界之間的相互作用方式。這些不同類型的神經網絡是深度學習革命的核心，為無人機，自動駕駛汽車，語音識別等應用提供了推動力。
人們自然會聯想到-機器學習算法難道不能做到嗎？以下是研究人員和專家們可以替代深度學習而非機器學習的兩個關鍵原因：
決策邊界
特徵工程
為什麼選擇深度學習？
機器學習vs.深度學習：決策邊界
各個機器學習算法都會學習從輸入到輸出的映射。換句話說，該算法會學習一個僅有幾組權重的函數：
輸入-> f（w1，w2…..wn）->輸出
在分類問題中，算法將學習將兩個類別分開的函數-這被稱為決策邊界（Decision boundary）。決策邊界能夠幫助我們確定給定數據點屬於正向類還是負向類。
例如，在邏輯回歸的情況下，學習函數就是一個試圖將兩種類別分開的Sigmoid函數。
邏輯回歸的決策邊界
如上圖所示，邏輯回歸算法要學習線性決策邊界。它不能學習下圖這種非線性數據的決策邊界：
非線性數據
同樣，一種機器學習算法是無法學習所有函數的。這就限制了算法能夠解決的有關複雜關係的問題。
機器學習vs.深度學習：特徵工程
特徵工程是模型構造過程中的關鍵步驟。此過程分為兩步：
1.特徵提取（特徵提取）
2.特徵選擇（功能選擇）
在特徵提取中，我們提取問題陳述中所需的所有特徵；在特徵選擇中，我們選擇能夠提高機器學習或深度學習模型性能的重要特徵。
想一想圖像分類問題。要從圖像中手動提取特徵的話，就要該主題和領域有深度的了解。這是一個及其耗時的過程。有了深度學習，我們就可以實現特徵工程自動化了！
機器學習和深度學習間的比較
既然我們已經了解了深度學習的本質，以及它為何能超越傳統的機器學習算法，然後接下來就讓我們進入此處的關鍵部分。我們將討論在解決深度學習問題時會用到的不同類型的神經網絡。
......
詳見全文FULL TEXT:： 頭條
若喜歡本文，請關注我們的臉書 Please Like our Facebook Page： Big Data In Finance
留下你的回應
以訪客張貼回應