深度学习是如何运作的？3分钟搞懂!

深度学习是机器学习的一个分支。许多传统的机器学习算法受限于其有限的学习能力，即使数据量不断增加，也难以实现知识总量的持续扩展。相比之下，深度学习系统能够通过海量数据不断提升性能，成为“无限经验积累”的机器典范。当这些机器通过深度学习积累了足够的经验后，它们可以处理各种特定的任务，包括但不限于自动驾驶汽车、精准识别农田杂草、辅助医疗诊断疾病以及高效检测机器故障。

深度学习网络通过发现经验数据中的复杂结构来进行学习。通过构建包含多个处理层的计算模型，深度学习网络可以创建多个抽象层次来表示数据。

例如，可以使用大量（例如数百万张）图像（例如这些猫的图像）来训练卷积神经网络深度学习模型。这种类型的神经网络通常从捕获图像中的像素信息中进行学习。它可以将图像中代表猫的特征（例如爪子、耳朵和眼睛）的像素分组，从而显示猫在图像中的具体外观。

深度学习与传统的机器学习有着根本的不同。在这个例子中，领域专家会花费大量时间来构建传统的机器学习系统来识别和提取代表猫的特征元素。而通过深度学习，系统只需输入大量的猫图像，就可以自行学习和提取猫的各种身体特征。

对于计算机视觉、语音识别（也称为自然语言处理）、机器翻译和机器人等许多任务，深度学习系统已展现出优于传统机器学习系统的性能。但这并不意味着构建深度学习系统比构建传统机器学习系统更容易。尽管深度学习可以自主识别特征，但我们仍然需要调整数千个超参数（按钮），以确保深度学习模型高效运行。

深度学习为何重要？

我们生活在一个充满前所未有的机遇的时代，深度学习技术可以帮助我们实现新的突破。深度学习在探索系外行星、研发新药、诊断疾病和探测亚原子粒子等应用中发挥着至关重要的作用。它可以从根本上重塑我们对生物学各个领域（包括基因组学、蛋白质组学、代谢组学、免疫学等）的理解。

我们生活在一个充满严峻挑战的时代。面对气候变化对粮食生产的威胁、未来资源匮乏可能引发的社会动荡甚至冲突，以及预计到2050年全球人口将激增至90亿的严峻现实，环境变化带来的挑战将进一步加剧。这些跨领域、大规模的全球性挑战迫切需要利用深度学习技术将人类智能推向前所未有的高度，以寻求解决方案。

早在约5.4亿年前的寒武纪生命大爆发，视觉的进化赋予了动物竞争优势，并迅速成为推动生物世界进化的关键力量之一。随着生物神经网络不断提升其处理视觉信息的能力，视觉为动物提供了周围环境的认知地图，增强了它们对外界的感知。

如今，作为人工眼睛的摄像头与能够处理这些视觉信息的神经网络相结合，引发了数据驱动的人工智能应用的爆炸式增长。正如视觉在地球生命进化中发挥了关键作用一样，深度学习和神经网络将显著提升机器人的能力，使其能够更好地理解周围环境，自主决策，并与人类协同工作，共同推动人类新一轮的能力提升。

深度学习用例

机器人

机器人领域的许多最新突破都得益于人工智能和深度学习的发展。例如，人工智能使机器人能够感知并响应周围环境。从过去沿着预设路径单调地穿梭，到能够灵巧地分类和搬运各种大小、易碎或混合的物体，机器人的功能范围实现了质的飞跃。即使是像轻轻地捡起一颗草莓这样对人类来说微不足道的任务，也曾经是机器人无法逾越的。然而，随着人工智能技术的不断进步，机器人能力的边界也在不断被突破。

人工智能的发展意味着我们可以期待未来会有更多机器人承担起人类助手的角色。未来，机器人不仅能像现在的一些机器人一样理解和回答问题，还能响应语音命令和手势，甚至预测工人的下一步行动。如今，协作机器人已经可以与人类并肩工作，各自独立地执行任务，充分发挥各自的优势。

农业

人工智能有可能彻底改变农业。如今，深度学习技术使农民能够配备先进的智能设备，这些设备能够识别和区分

机器学习（ML）是人工智能（AI）的一部分，人工智能是计算科学的一个领域，它分析和解释数据中的模式和结构，以实现无需人工交互的学习、推理和决策。简而言之，机器学习允许用户向计算机算法提供大量数据，然后计算机算法分析数据，并仅根据输入数据做出数据驱动的建议和决策。如果算法识别出任何错误，它就会整合这些错误来改进未来的决策。

机器学习是如何工作的？

机器学习由三部分组成：

计算算法是决策的核心。

构成决策的变量和特征。

系统学习（训练）的具有已知答案的基础知识。

首先，给模型输入已知答案的参数数据。然后，运行并调整算法，直到算法的输出（学习）与已知答案一致。在这一点上，输入数据的数量继续增加，以帮助系统学习和处理更高级的计算决策。

为什么机器学习很重要？

数据是任何企业的命脉。数据驱动的决策让你在竞争中处于领先地位，防止你落后。机器学习可以成为释放企业和客户数据价值的关键，并做出决策，使公司在竞争中保持领先地位。

机器学习用例

机器学习被广泛应用于各行各业，包括制造业、零售业、医疗保健和生命科学、旅游和酒店、金融服务、能源、材料和公用事业。用例包括：

制造业。预测性维护和状态监测。

零售。追加销售和跨渠道营销。

医疗保健和生命科学。疾病识别和风险满意度。

旅游和招待。动态定价。

金融服务。风险分析和监管。

能量。能源供需优化。