澳门人威尼斯-APP官方网站|Apple App Store

现在，深度学习受到大规模的炒作，人们恨不得在各个地方都使用神经网络，但确实在每一个地方都适用么？我们将在下面的章节中举行讨论，阅读完它后，您将知道神经网络的主要缺点，而且当您为当前的机械学习问题选择正确类型的算法时，您将有一个大略的指导原则。您还将相识我们现在面临的机械学习中的主要问题。

目录：为什么深度学习受到炒作？（数据，盘算能力，算法，市场营销）神经网络与传统算法（黑盒子，开发连续时间，数据量，盘算成本昂贵）提要结论为什么深度学习受到炒作？深度学习有现在正在举行炒作的四个主要原因，包罗数据、盘算能力、算法自己和市场营销。我们将在下面的章节中讨论它们中的每一个。1.数据增加深度学习的受接待水平的一个因素是2018年可用的大量数据，这些数据是在已往几年和几十年中收集的。这使得神经网络能够真正发挥他们的潜力，因为他们获得的数据越多越好。

相比之下，传统的机械学习算法肯定会到达一个水平，更多的数据不会提高其性能。下面的图表说明晰这一点：2.盘算能力另一个很是重要的原因是现在可用的盘算能力，这使我们能够处置惩罚更多的数据。凭据人工智能的领先人物Ray Kurzweil的说法，盘算能力在每个时间单元会乘以一个常数因子（例如，每年增加一倍），而不是逐渐增加。这意味着盘算能力呈指数增长。

3.算法提高Deep Learning盛行度的第三个因素是算法自己的进步。算法开发中的泛起最近的突破主要是由于使它们比以前运行得更快，这使得使用越来越多的数据成为可能。

4.营销营销可能也是一个很重要的因素。神经网络几十年来（第一次在1944年提出），已经履历了一些炒作，但已往处于没有人想相信和投资的时代。

“深度学习”这个词组给了它一个新的花哨的名字，这使得新的炒作成为可能，这也是许多人错误地认为深度学习是一个新缔造的领域的原因。此外，其他因素也促成了深度学习的营销，例如汉森机械人技术的“人形”机械人Sophia，在公共中引起了广泛的争议，以及机械学习主要领域的几项突破，使其成为公共媒体等等。

神经网络与传统算法当你应该使用神经网络或传统的机械学习算法，这是一个难以回覆的问题，因为它很大水平上取决于你试图解决的问题。这也是由于“没有免费的午餐定理”，它大致讲明没有“完美”的机械学习算法，在任何问题上都能体现精彩。

对于每一个问题，一个特定的方法是适合的，能取得良好的效果，而另一种方法或许会失败，但这可能是机械学习最有趣的部门之一。这也是您需要醒目几种算法的原因，以及为什么通过训练获得优秀机械学习工程师或数据科学家的较好的方法。在这篇文章中会为您提供一些指导目标，资助您更好地明白何时应使用哪种类型的算法。神经网络的主要优势在于其险些逾越了其他所有机械学习算法的能力，可是这有一些缺点，我们将在本文中讨论并重点关注。

就像我之前提到的那样，决议是否应该使用深度学习主要取决于您正在实验解决的问题。例如，在癌症检测中，高性能至关重要，因为性能越好，可以治疗的人越多。但也有机械学习问题，传统的算法提供的不仅仅是满足的效果。

1.黑盒子神经网络最为人所知的缺点可能就是它们的“黑盒子”性质，这意味着你不知道神经网络如何以及为什么会发生一定的输出。例如，当你将一张猫的图像放入神经网络，并预测它是一辆汽车时，很难明白是什么导致它发生这个预测。当你具有人类可解释的特征时，明白其错误的原因要容易得多。在比力中，像决议树这样的算法是很是容易明白的。

这很重要，因为在某些领域，可解释性很是重要。这就是为什么许多银行不使用神经网络来预测一小我私家是否有信誉，因为他们需要向客户解释为什么他们没有获得贷款。否则，这小我私家可能会以为受到银行的错误威胁，因为他不明确他为什么没有获得贷款，这可能导致他改变对该银行的看法，像Quora这样的网站也是如此。如果他们因为机械学习算法而决议删除用户帐户，他们需要向用户解释为什么他们已经完成了它。

我怀疑他们是否会满足电脑所给的谜底。在机械学习的推动下，其他情景将是重要的商业决议。你能想象一个大公司的首席执行官会在不明确为什么应该完成的情况下做出价值数百万美元的决议吗？仅仅因为“盘算机”说他需要这样做。

2.开发连续时间只管像Keras这样的库使得神经网络的开发很是简朴，可是有时您需要更多地控制算法的细节，例如，当您试图解决机械学习中的难题时。然后你可能会使用Tensorflow，它为你提供了更多的时机，但因为它也更庞大，开发需要更长的时间（取决于你想要构建的）。那么对于公司治理层来说，如果真的值得他们昂贵的工程师花费数周时间来开发一些工具，那么问题就会泛起，用更简朴的算法可以更快地解决问题。

3.数据量与传统的机械学习算法相比，神经网络通常需要更多的数据，至少有数千甚至数百万个标志样本。这不是一个容易解决的问题，如果使用其他算法，许多机械学习问题可以用较少的数据很好地解决。只管有些情况下神经网络很少处置惩罚数据，但大多数情况下他们不处置惩罚。

在这种情况下，像朴素贝叶斯这样的简朴算法可以很好地处置惩罚少数数据。4.盘算昂贵通常，神经网络比传统算法在盘算上更昂贵。最先进的深度学习算法，实现真正深度的神经网络的乐成训练，可能需要几周时间才气完全重新开始举行训练。

大多数传统的机械学习算法花费的时间少于几分钟到几个小时或几天。神经网络所需的盘算能力很大水平上取决于数据的巨细，但也取决于网络的深度和庞大水平。例如，具有一层和50个神经元的神经网络将比具有1000棵树的随机森林快得多。相比之下，具有50层的神经网络将比仅有10棵树的随机森林慢得多。

提要现在你可能会知道神经网络对于某些任务比力适用，但对其他人来说并纷歧定适用。您相识到，大量的数据、更多的盘算能力、更好的算法和智能营销增加了深度学习的受接待水平，并使其成为现在最热门的领域之一。最重要的是，您已经相识到，神经网络险些可以击败所有其他机械学习算法以及与之相陪同的缺点。

最大的缺点是它们的“黑盒子”性质，增加开发时间（取决于您的问题）、所需的数据量以及它们大部门盘算成本高昂。结论深度学习现在可能仍旧有点过分炒作的情况，而且凌驾期望完成的事情。但这并不意味着它没有用处。

我认为我们生活在机械学习再起中，因为它越来越民主化，越来越多的人可以用它来构建有用的产物。机械学习可以解决许多问题，我相信这将在未来几年内发生。其中一个主要问题是只有少数人相识可以用它做些什么，并知道如何建设乐成的数据科学团队，为公司带来真正的价值。

一方面，我们拥有博士级工程师，他们是机械学习背后的理论天才，但可能缺乏对商业方面的明白。另一方面，我们有首席执行官和治理职位的人员，他们不知道深度学习可以做些什么，并认为它将在未来几年解决所有问题。

我们需要更多的人来填补这个空缺，这将发生更多对我们社会有用的产物。

本文来源：澳门人威尼斯-www.ccjiange.com