深度学习是机器学习的第二次浪潮。图7-3多层神经网络表达复杂函数深度学习的实质是通过构建具有很多隐层的机器学习模型和海量的训练数据来学习更有用的特征，从而最终提升分类或预测的准确性。深度学习与传统的神经网络之间有相同的地方也有很多不同。深度学习整体上是一个由许多智能的隐含层构成的训练机制，这样做可以更大限度地刻画和模拟现实中各种非线性目标函数。......
2025-09-29
深度学习技术的崛起：华裔科学家改变了人工智能界的看法
【摘要】：转机出现在2012年，两位华裔科学家让深度学习突破了技术瓶颈，他们分别是斯坦福大学教授吴恩达和李飞飞。吴恩达和李飞飞的研究贡献，彻底改变了人工智能学术界对深度学习的看法。2012年，在斯坦福大学举办的一项人工智能算法大赛上，深度学习大放异彩，一举夺得桂冠。其实，深度学习并不是人工智能唯一的运算模型，还有许多有价值的模型仍在试验当中，它们的应用范围相对较小。
首先，我们要说的是，人工智能算法模型的演进过程。
20世纪80年代，一位叫作杰弗里·辛顿的英国学者，发表了一篇阐述多层神经网络训练方法的论文，主题是探索如何用计算机系统来模拟人类大脑。在此后的几十年里，无数人工智能领域专家都在研究，如何实现辛顿这篇论文里的愿景。多层神经网络训练就是我们现在所说的深度学习原型，也是人工智能技术的终极形态。
什么是深度学习呢？它是机器学习里的一个核心研究方向，其最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
虽然辛顿在深度学习领域做出了较大的贡献，却因为其模型运算结果不理想，一直无法获得学术界的认可，这一拖就是30年。转机出现在2025年，两位华裔科学家让深度学习突破了技术瓶颈，他们分别是斯坦福大学教授吴恩达和李飞飞。
作为当今全球人工智能领域最权威的学者之一，吴恩达不仅是斯坦福大学计算机科学和电子工程学的学术风向标，更因其一手创建并领导了谷歌深度学习团队，被业界誉为“谷歌大脑之父”。他通过研究发现，深度学习需要计算机拥有强大的运算能力，随即与英伟达公司展开合作，共同开发出了计算性能极强的图形处理器GPU，彻底解决了之前算力不足的问题。如今，这一芯片已被广泛用于人工智能研究的各个领域，为相关技术发展带去极大的算力支持。
另一位科学家李飞飞，则是当今人工智能领域成就最大的华裔女性，担任斯坦福大学红杉讲席教授，以及美国国家工程院院士。她的主要贡献在于参与建设了两个数据库：Caltech 101和ImageNet。尤其是ImageNet，已经成为当今全球最大的图像识别数据库。凭借这两个数据库，李飞飞成功开发出了视觉能力超过人类的人工智能图像识别系统。(https://www.chuimin.cn)
他们的研究成果，间接证明了三个事实：第一，人工智能需要计算机系统极强的运算能力；第二，训练对于人工智能系统非常重要；第三，深度学习是人工智能系统中最合适的模型。
吴恩达和李飞飞的研究贡献，彻底改变了人工智能学术界对深度学习的看法。2025年，在斯坦福大学举办的一项人工智能算法大赛上，深度学习大放异彩，一举夺得桂冠。
至此，折腾了30多年的深度学习模型才奠定了自己在人工智能领域的地位，其在语音和图像识别方面取得的进展，远远超过先前的相关技术，也深刻影响了之后人工智能的研究方向。
其实，深度学习并不是人工智能唯一的运算模型，还有许多有价值的模型仍在试验当中，它们的应用范围相对较小。比如，美国科学家杰夫·霍金斯的记忆预测模型也比较出名，它的运算过程与人脑更加接近，但同样因为结果不理想而暂时不被外界认可。
又比如，决策树也是比较常见的运算模型。它主要被用来评价项目风险和判断其可行性。但缺点也很明显，它没办法处理一些连续字段，而且当数据类型较多时，需要先对数据进行人工分类和清洗，诸如此类的限制比较多。
相关文章
- 详细阅读
-
深度学习的基本思想与方法详细阅读
假设我们有一个系统S，它有n层（S1，…，Sn），它的输入是I，输出是O，可形象地表示为：I=＞S1=＞S2=＞…回到深度学习的主题，人们需要自动地学习特征，假设有一堆输入I，设计一个系统S（有n层），通过调整系统中参数，使得它的输出仍然是输入I，那么我们就可以自动地获取得到输入I的一系列层次特征，即S1，…对于深度学习来说，其思想就是堆叠多个层，也就是说这一层的输出作为下一层的输入。上述就是深度学习的基本思想。......
2025-09-29
-
基于深度学习的人脸识别技术优化方案详细阅读
由于任务中待识别ID是半封闭集合，可以融合图像分类和度量学习的思路进行模型训练。第二阶段采用Softmax Loss+0.01×Center Loss，并在业务数据上进行网络参数的微调。目前把人脸分割为9个区域，加上人脸整体区域，共需训练10个模型。图10-12基于集成学习的人脸识别在测试阶段，对于待验证的人脸区域和候选人脸区域，分别基于图10-12所示的10个区域提取特征。最终，通过相似度加权的方法判断两张人脸是否属于同一个人。表10-1公开数据集评测结果......
2025-09-29
-
探索深度学习的自学能力与应用详细阅读
直到深度学习出现，方才打破这一困境。深度学习指机器根据某些基本原理自主进行训练，最终具备自学能力。深度学习源于人工神经网络的研究，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是解决以上问题最好的方案之一。深度学习技术的成功依赖于两个关键因素：第一，计算速度得到大幅提升。......
2025-09-29
-
深度学习：从起源到腾飞详细阅读
深度结构学习，或者通常更多人称之为深度学习，从2006年开始作为一个新兴的领域出现在机器学习研究当中。自2006年以来，机器学习领域，取得了突破性的进展。据报道，后面支撑的关键技术就是DNN，或者说是深度学习。......
2025-09-29
-
学习伺服传动技术的优势和运用详细阅读
图4－2注塑机主要控制元件伺服注塑机流量控制原理：当压力传感器检测到的压力小于压力设定值时，伺服驱动器控制伺服电机的转速，使泵的输出流量保持在设定值。由图4－3的控制系统组成可以看出，伺服电动机及其驱动装置是不可或缺的器件。......
2025-09-29
- 详细阅读
-
聚类分析：机器学习中的热点技术详细阅读
聚类分析是一种原理简单、应用广泛的机器学习技术。聚类分析已成为机器学习研究中的一个热点。图6-3k-均值聚类算法步骤示例k-中心点聚类k-中心点算法与k-均值算法在原理上十分相近，它是针对k-均值算法易受极值影响这一缺点的改进算法。以密度聚类算法来详细说明，该方法将“簇”看作是数据空间中被低密度区域分割开的“稠密区域”，即密度相连样本点的最大集合。图6-7期望最大化聚类算法步骤示例......
2025-09-29
相关推荐