[关闭]
@Andream 2017-05-23T22:21:31.000000Z 字数 1430 阅读 770

Deep Learning Book学习笔记(1)人工智能概述

深度学习 人工智能 笔记


如果你想学习深度学习,那么了解一些历史背景是绝对必要的。 在这里我们不详述深度学习的历史,而是确定了一些总的趋势变化和关键节点:
•深刻学习历史悠久,但在之前它不叫这个名字,不同的名字反映了不同的研究角度。(1 2 3)
•随着可用的培训数据量的增加,深度学习变得更加有用。(4)
•随着计算机硬件和软件基础设施的改进,深度学习的模型随着时间的推移不断优化。(5)
•随着时间的推移,深度学习解决的问题越来越复杂,结果也越来越准确。(6)

1、发展简史

三次浪潮

1、控制论 1940 - 1960(Cybernetics)
2、联结主义 1980 - 1990(Connectionism)
3、深度学习 2006 - now(Deep Learning)

最初的灵感

来自于生物智能, artificial neural networks(ANNs)

convolutional neural network 在图像处理方面很靠谱

三个概念

architecture
learning algorithm
train
在结构和学习算法方面,我们并没有特别大的突破,并没有勘破真正的生物智能的内涵,在这方面还应该有所突破。

向大脑学习

深度学习和大脑的联系也许被过分的夸大了。就现在而言,深度学习虽然一直在借鉴大脑智能,但它比起真正的智能还是有很大差异。

相关学科

与之相关的主要是以下几个学科:
1、神经科学
2、数学

3、计算神经学(交叉学科),主要研究大脑的工作原理(相较于深度学习主要研究的是如何用电脑解决智能问题)
4、认知心理学:引进了几个关键概念:

1990之后

第二次低谷
主要成就 LSTM network @sequence model task @natural language process

1995
Kenel machine, graphical models ↑, but neural network ↓

2006
计算能力的提高和新的技术突破带来:
unsupervised learning algorithm & train from small data
不过现在主流又有所变化:
supervised learning algorithm & train from large data

4、数据量增加

enough datasets : 5000 -> 100000

5、模型的规模增加

neuron amounts : 10 -> 1e4 -> 1e6 -> ... ->. 1e11
几乎没2.4年翻一番,预计在2056年达到1e11(人类的神经元数量)
随着将来:
Cpu & Gpu↑
Network Conectivity↑
Software infrastructure↑
Distributed comoputation↑
模型的规模一定会越来越大

6、准确性、复杂性、影响力增加

准确性:

图像识别
种类变多:从识别2种物体到识别1000种物体
错误率下降:26.1 -> 15.3 -> 3.6

语音识别
错误率:下降

行人识别 & 图像划分 (交通信号识别)

复杂度:

识别字符 -> 识别字符串
neural Turing machines
reinforcement learning(trial & error, without guidence)

添加新批注
在作者公开此批注前,只有你和作者可见。
回复批注