1新智元编译
人工智能、机器学习、深度学习方面的文章铺天盖地,向人们传播人工智能是改变世界最具竞争力的技术,相关企业应该抓住机会作深入研究,使得人们对于这三个词的区别却有了很多困惑。
对于业内人士来说,人工智能、机器学习、深度学习不难区分,人工智能涵盖的范围最广,小到传统形式的人工智能(GOFAL),大到联结论轮架构,几乎无所不包。机器学习是人工智能的分领域,包含所有基于数据的学习算法研究的技术。近年来,整个技术领域(注意原文中的 swaths,不是 swatches)在机器学习方面有了突破性的技术成果,如线性回归(Linear Regression)、K-means算法、决策树(Decision Trees), 随机森林(Random Forest)、PCA、SVM 以及人工神经网络(ANN)。而深度学习就是源自于人工神经网络的。
虽然深度学习在20世纪60年代初就已经出现,但一些接触过人工神经网络的机器学习人员表示,提到深度学习,第一感觉它就是具有多层架构的人工神经网络。而且,深度学习的成功很大程度上归功于大数据和更强大的计算机引擎,如绘图处理器(GPU)的支持。虽然如此,但是如果认为深度学习仅是比 SVM 和 Decision Tree 更高级的算法,那就如只关注单棵大树而忽视了整片树林,大错特错了。
引用 Andreesen 的说法“软件正在吃掉我们的世界”,“深度学习也正吃掉机器学习”。下面分别是机器学习不同领域的两位专家的文章节选,很好地诠释了深度学习为什么正在吃掉我们的世界。
自然语言处理研究专家 Chris Manning 在文章“深度学习海啸”(Deep Learning Tsunami)中写道:
深度学习波在计算机语言领域已经出现很多了,但是2015年,最大强度的海啸将袭击各大自然语言处理大会。更有甚者,一些权威人士预测,最终的破坏力可能会更大。
Nicholas Paragios在文章“计算机视觉研究:大萧条”(Computer Vision Research: the DeepDepression”)中写道:
可能是因为深度学习的高度复杂性和术语的高度统一,所以直到最近,大量的加注数据和强大计算能力的计算机图像才有能力处理所有的计算机视觉难题。这样的话,计算机视觉领域发生巨变只是时间的问题(事实上已经在发生),计算机视觉研究将会成为一个边缘学术目标,步计算机图形学的后尘(从学术研究的活跃度和量来说)。
以上两篇文章都强调了深度学习对于传统机器学习实践的破坏性干扰。让我震惊的是,就连 Gartner 公司都不能正确区分机器学习和深度学习。下面是Gartner 2016年8月发布的技术成熟度曲线,丝毫没有提及深度学习:
尽管深度学习一直被公众忽视,但在媒体曝光度上却近乎疯狂的增加。深度学习的宣传趋势已经成为这样:经过这样不断的商业化机械宣传,加上足够的数据和足够的训练时间,深度学习一定会为人们所理解。这是对先进技术能力的过分夸张和对深度学习的实际应用的过分简单化。
过去几年里,在深度学习领域涌现了大量的新思想和新技术,这些在之前不是鲜为人知就是站不住脚的理论。最开始这些新理论都是些看似零散、不相干的,但经过一段时间之后,新的模式和方法论开始出现,这些在“深度学习的设计模式”中都有介绍。
今天,深度学习已不仅是多层次的认知器,更是一个技术与方法论的集合,用于构建可组合可微分架构。这些都将是极具实用性的机器学习系统,而目前我们可能只看到了它的冰山一角。
我们只要知道,深度学习可能现在看来像魔术似的,但以后会非常实用,就像现在的化学用品一样。也就是说,我们现在需要做的是打好坚实的技术基础,未来才有可能构建出更强大功能的学习机器。
原文链接:https://medium.com/intuitionmachine/why-deep-learning-is-radically-different-from-machine-learning-945a4a65da4d#.uqsc8wtkf
点击阅读原文,查看新智元招聘信息
联系客服