深度学习hit爆！
深度学习作为一种科学技术，被摆上一个充满舆论争议的位置上——乐观的人认为攻克智能奇点的堡垒马上就要实现，悲观的人则畏惧高科技带来的束缚与毁灭而惶惶不可终日。那么，到底我们应该怎样看待hit爆的深度学习呢？与你一起探讨。
一、深度学习有多deep
从概念上说，作为传统机器学习中神经网络（NN）、感知机（perceptron）模型的扩展延伸，正是深度学习（DL），或说深度神经网络的表现形式。
单看深度神经网络近几年在科技界惊人且频频引发议论的成果，就可以看出它的前途无可限量。深度神经网络在众多应用领域的成功毋庸置疑。譬如，能和人对话的语音助手，能“读懂”照片内容的图像识别系统，甚至是引发滔滔议论的能击败围棋世界冠军的AlphaGo……有着结构过于错综复杂、性质难以分析的“黑盒子”特质的深度学习，引发了学术界的众多顾虑和好奇，而正因研究人员对深度神经网络的火热的好奇心以及孜孜不倦的钻研能力，使得深度神经网络的研究成果正以惊人的速度增长。
其实，站在客观的角度上看，深度神经网络和K-Means、稀疏编码（sparse coding或Lasso）、主成分分析（PCA）等众多基础的模型并无什么不同，都是属于机器学习中特征学习（feature learning）的范畴。因此，无需过于惊慌地把DNN划分到天网、人工智能终点，甚至是上帝的位置去。如果一定要说深度神经网络有什么过人之处，一字记之曰——深。
二、学者争相研究
为了理解深度神经网络有多deep以及其工作原理，自2013年起，已经不断有学者从不同的角度研究深度神经网络和各类传统机器学习模型之间的内在关系，这些传统机器学习模型包括小波分析、高斯过程、条件随机场、稀疏表示等。这些在科研上的努力，甚至可能从传统模型的分析方法中掘得金矿，为深度神经网络的理论框架添砖加瓦，让其不断朝着远方发展。
三、深度学习的优势
从深度学习掀起的铺天盖地的热潮中反观，它固然有自身的优势：
1.端到端（end-to-end）的训练方式，让以往模型分模块训练（hierarchical）、各模块没有彼此优化的劣势被克服了；大圣众包威客平台（http://www.dashengzb.cn/）
2.动辄成百上千万的空前庞大的参数（parameter）量，远远超过以往任何模型的参数数量级，极大增强了模型对于复杂映射（mapping）的表达能力；
3.它具有有效训练如此巨大模型的一套手段。在GPU高性能计算、无穷无尽的tricks（如dropout、batch normalization等），以及大数据产业发展的大力推动下，深度学习被推上了浪潮尖端。
四、深度学习的劣势
尽管深度学习在应用上取得了巨大的成功，但是，理论缺失、“沙上筑塔”的隐忧让它颇为人诟病。由于深度神经网络本身函数的高度非线性和非凸性，免不了会受困于求解算法本身的粗糙和经验化上，因此，传统方法的优良性质和可解释性在深度神经网络中可谓之无，着实遗憾。
Anyway，深度学习既有自身的优势，也有自身的劣势，但是瑕不掩瑜。在大数据产业高速发展、“互联网+”大力助力之下，深度学习仍将继续火爆下去。
（更多大数据与商业智能领域干货、兼职机会及行业资源分享等请关注大圣众包微信服务号、“大圣众包”微博，或添加大圣妹个人微信号（dashengmeme)，注明“行业+职业”，拉你入big data &BI交流群330648564。）
QQ群二维码请扫：
 |
一、深度学习有多deep
从概念上说，作为传统机器学习中神经网络（NN）、感知机（perceptron）模型的扩展延伸，正是深度学习（DL），或说深度神经网络的表现形式。
单看深度神经网络近几年在科技界惊人且频频引发议论的成果，就可以看出它的前途无可限量。深度神经网络在众多应用领域的成功毋庸置疑。譬如，能和人对话的语音助手，能“读懂”照片内容的图像识别系统，甚至是引发滔滔议论的能击败围棋世界冠军的AlphaGo……有着结构过于错综复杂、性质难以分析的“黑盒子”特质的深度学习，引发了学术界的众多顾虑和好奇，而正因研究人员对深度神经网络的火热的好奇心以及孜孜不倦的钻研能力，使得深度神经网络的研究成果正以惊人的速度增长。
其实，站在客观的角度上看，深度神经网络和K-Means、稀疏编码（sparse coding或Lasso）、主成分分析（PCA）等众多基础的模型并无什么不同，都是属于机器学习中特征学习（feature learning）的范畴。因此，无需过于惊慌地把DNN划分到天网、人工智能终点，甚至是上帝的位置去。如果一定要说深度神经网络有什么过人之处，一字记之曰——深。
二、学者争相研究
为了理解深度神经网络有多deep以及其工作原理，自2013年起，已经不断有学者从不同的角度研究深度神经网络和各类传统机器学习模型之间的内在关系，这些传统机器学习模型包括小波分析、高斯过程、条件随机场、稀疏表示等。这些在科研上的努力，甚至可能从传统模型的分析方法中掘得金矿，为深度神经网络的理论框架添砖加瓦，让其不断朝着远方发展。
三、深度学习的优势
从深度学习掀起的铺天盖地的热潮中反观，它固然有自身的优势：
1.端到端（end-to-end）的训练方式，让以往模型分模块训练（hierarchical）、各模块没有彼此优化的劣势被克服了；大圣众包威客平台（http://www.dashengzb.cn/）
2.动辄成百上千万的空前庞大的参数（parameter）量，远远超过以往任何模型的参数数量级，极大增强了模型对于复杂映射（mapping）的表达能力；
3.它具有有效训练如此巨大模型的一套手段。在GPU高性能计算、无穷无尽的tricks（如dropout、batch normalization等），以及大数据产业发展的大力推动下，深度学习被推上了浪潮尖端。
四、深度学习的劣势
尽管深度学习在应用上取得了巨大的成功，但是，理论缺失、“沙上筑塔”的隐忧让它颇为人诟病。由于深度神经网络本身函数的高度非线性和非凸性，免不了会受困于求解算法本身的粗糙和经验化上，因此，传统方法的优良性质和可解释性在深度神经网络中可谓之无，着实遗憾。
 |
Anyway，深度学习既有自身的优势，也有自身的劣势，但是瑕不掩瑜。在大数据产业高速发展、“互联网+”大力助力之下，深度学习仍将继续火爆下去。
（更多大数据与商业智能领域干货、兼职机会及行业资源分享等请关注大圣众包微信服务号、“大圣众包”微博，或添加大圣妹个人微信号（dashengmeme)，注明“行业+职业”，拉你入big data &BI交流群330648564。）
QQ群二维码请扫：
 |
> 我来回应
