机器学习 - 深度学习

深度学习使用 ANN。首先，我们将看一些深度学习应用程序，它们会让您了解它的强大功能。

应用

深度学习已在机器学习应用的多个领域取得了巨大成功。

汽车自动驾驶 − 汽车自动驾驶使用深度学习技术。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应用是语音识别。今天，我们所有人都使用几个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 和谷歌的助手——所有这些都使用深度学习技术。

移动应用 − 我们使用几个基于网络和移动应用程序来组织我们的照片。人脸检测、人脸识别、人脸标记、识别图像中的对象——所有这些都使用深度学习。

在看到深度学习应用在许多领域取得的巨大成功之后，人们开始探索迄今为止尚未应用机器学习的其他领域。有几个领域可以成功应用深度学习技术，还有许多其他领域可以利用。其中一些将在此处讨论。

可能性是无穷无尽的，随着新想法和发展的频繁出现，人们必须继续关注。

要使用深度学习，超级计算能力是一项强制性要求。您需要内存和 CPU 来开发深度学习模型。幸运的是，今天我们可以轻松使用 HPC - 高性能计算。正因为如此，我们上面提到的深度学习应用程序的开发在今天成为现实，在未来我们也可以看到我们之前讨论的那些未开发领域的应用程序。

现在，我们将看看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限制。

下面列出了在使用深度学习之前需要考虑的一些要点 −

我们现在将详细研究这些限制中的每一个。

ANN 就像一个黑匣子。你给它一个特定的输入，它会为你提供一个特定的输出。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，它会告诉您图像是狗的。

为什么这被称为黑盒方法是因为您不知道网络为什么会得出某个结果。你不知道网络是怎么断定它是狗的? 现在考虑一个银行应用程序，其中银行想要确定客户的信用度。网络肯定会为您提供这个问题的答案。但是，您能否向客户证明其合理性? 银行需要向客户解释为什么贷款不被批准?

下图描述了训练神经网络的过程 −

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，部署它并测试输出。如果输出与预期不符，请将其作为反馈来重构您的网络。这是一个迭代过程，可能需要多次迭代，直到网络完全训练以产生所需的输出。

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 −

训练一个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数周的训练时间。

与此相反，传统的机器学习算法只需要几分钟/几小时的时间来训练。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"。