今天给大家介绍的是《Deep Learning with Python》这本书， 中文翻译为：《Python深度学习》 [美] 弗朗索瓦·肖莱 著 张亮 译
首先是人工智能与机器学习以及深度学习之间的关系。他们的范围如下：
人工智能 》机器学习 》 深度学习
1.1 人工智能
人工智能的发展经历了很长的时间，从20世纪50年代到80年代末，人工智能的主流范式是符号主义人工智能（symbolic AI），这一方法认为：“只要程序员精心编写足够多的明确规则来处理知识，就可以实现与人类水平相当的人工智能。”这就相当于要求程序员编写很多的if-else语句，针对每一种情况给出相应的应对规则，它是一个硬编码的过程。因此，这个阶段的人工智能是一个综合性的领域，除了包括机器学习和深度学习，还包括更多不涉及学习的方法。
1.2 机器学习
机器学习的出现就是为了解决更加复杂的，如图像分类、语音识别或是语言翻译，这类问题除了拥有复杂的特性，还很模糊。
人工智能的先驱图灵在1950年发表了一篇论文：“计算机器和智能”，在这篇文章中，介绍了图灵测试以及日后人工智能所包含的重要概念。图灵提出了一个重要的问题，如果没有程序员精心编写的处理规则，计算机能否通过观察数据自动的学习规则。答案是肯定的。
机器学习 一种新的编程范式
机器学习从20世纪90年代才蓬勃发展，但它迅速成为人工智能中最为耀眼的分支。与传统经典程序设计不同，机器学习系统是训练出来的。通过将数据集输入到机器学习系统中，它会从这些数据集中学习统计规则，然后再用这些学习到的规则去判断新数据的分类或是所属标签。
所谓规则学习有点像是一个关联或是类比的过程，我们怎么通过一种转换形式，将数据从一种形式转化到另一种形式，这个问题叫做“有意义地变换数据”。比如，对于一张图片，如果我们想处理“选择图像中所有红色像素”这个任务时，则会使用RGB的图像表征形式； 如果要处理“降低图像饱和度”这个任务时，则使用HSV格式会更加方便。而如果要对这个图像进行分类，则用通过机器学习的模型对这个图片进行变换。
总的来说，机器学习中的学习指的是，寻找更好数据表示的自动搜索过程。
1.3 深度学习
深度学习是机器学习的一个分支，它是从一系列连续层中学习数据表示的新方法。
用于数字分类的深度神经网络
如上图，为了将原始输入的图片最终转换成最终输出（假设为4），需要经过多层的转换，逐层趋向最终目标。就像现实生活中，为了达到最终目标，会经历多个小目标。
将损失值作为反馈信号来调节权重
那么怎么实现这个'不断趋向'的过程呢？以上图为例，首先将输入X通过系统获取预测值Y'，通过计算Y’与真实目标值Y之间的距离，来评测系统的当前“趋向性”。为了降低距离或者损失，增强“趋向性”，需要优化器通过反向传播算法来更新每一层网络的权重值，从而重新获取新的预测值Y'。这里需要补充说明的是，神经网络的每一层除了接受输入，还有很多权重值，这些权重对输入进行变换，从而变成输出，进入下一层网络又作为输入。
通过迭代的方式，不断矫正预测值Y’,直到Y'与真实目标值Y距离很近，或者说使输入最“趋向”结果。
以上就是对人工智能、机器学习、深度学习核心概念和思想的介绍，希望大家喜欢。后面还将进一步介绍相关的理论。
联系客服
