机器学习 - 深度学习
深度学习使用 ANN。首先，我们将了解一些深度学习应用程序，让您了解其强大功能。
应用领域
深度学习在机器学习应用的多个领域取得了巨大的成功。
自动驾驶汽车- 自动驾驶汽车使用深度学习技术。他们通常会适应不断变化的交通状况，并在一段时间内驾驶得越来越好。
语音识别- 深度学习的另一个有趣的应用是语音识别。如今，我们所有人都使用多种能够识别我们语音的移动应用程序。苹果的 Siri、亚马逊的 Alexa、微软的 Cortena 和谷歌的 Assistant——所有这些都使用了深度学习技术。
移动应用程序- 我们使用多种基于网络和移动应用程序来组织我们的照片。人脸检测、人脸 ID、人脸标记、识别图像中的对象——所有这些都使用深度学习。
深度学习尚未开发的机会
在看到深度学习应用在许多领域取得的巨大成功后，人们开始探索机器学习尚未应用的其他领域。深度学习技术在多个领域得到了成功应用，还有许多其他领域可以利用。这里讨论其中一些。
农业就是这样一个行业，人们可以应用深度学习技术来提高农作物产量。
消费金融是机器学习可以极大地帮助早期发现欺诈和分析客户支付能力的另一个领域。
深度学习技术也应用于医学领域，以创造新药并为患者提供个性化处方。
可能性是无穷无尽的，人们必须不断关注新想法和新发展的不断出现。
使用深度学习实现更多目标需要什么
要使用深度学习，超级计算能力是强制性要求。您需要内存和 CPU 来开发深度学习模型。幸运的是，今天我们可以轻松获得 HPC（高性能计算）。因此，我们上面提到的深度学习应用程序的开发在今天成为了现实，并且在未来我们也可以看到我们之前讨论的那些尚未开发的领域的应用程序。
现在，我们将了解在机器学习应用程序中使用深度学习之前必须考虑的一些局限性。
深度学习的缺点
下面列出了使用深度学习之前需要考虑的一些重要事项 -
- 黑盒方法
- 开发时间
- 数据量
- 计算成本高昂
我们现在将详细研究这些限制中的每一项。
黑盒方法
人工神经网络就像一个黑匣子。你给它一定的输入，它就会为你提供特定的输出。下图显示了一个这样的应用程序，您将动物图像输入神经网络，它会告诉您该图像是一只狗。
为什么这被称为黑盒方法是因为你不知道为什么网络会得出某种结果。不知道网络上你是怎么断定它是狗的？现在考虑一个银行应用程序，银行希望确定客户的信用度。这个问题网络一定会给你答案。但是，您能向客户证明这一点吗？银行需要向客户解释为什么贷款不被批准？
开发时间
训练神经网络的过程如下图所示 -
您首先定义要解决的问题，为其创建规范，决定输入特征，设计网络，部署网络并测试输出。如果输出不符合预期，请将其作为反馈来重组您的网络。这是一个迭代过程，可能需要多次迭代，直到网络经过充分训练以产生所需的输出。
数据量
深度学习网络通常需要大量数据进行训练，而传统的机器学习算法即使只有几千个数据点也能取得巨大成功。幸运的是，数据丰富度以每年 40% 的速度增长，CPU 处理能力以每年 20% 的速度增长，如下图所示 -
计算成本高昂
训练神经网络需要比运行传统算法多几倍的计算能力。深度神经网络的成功训练可能需要几周的训练时间。
与此相反，传统的机器学习算法只需几分钟/小时即可训练。此外，训练深度神经网络所需的计算能力在很大程度上取决于数据的大小以及网络的深度和复杂程度？
在概述了机器学习是什么、它的功能、局限性和应用之后，现在让我们深入学习“机器学习”。