知识卡片
深度学习的动机与诞生
深度学习诞生于机器学习的局限性。传统机器学习虽然能学习决策边界,却缺乏鲁棒性:每个应用都要专门设计,特征需要人工花大量时间挑选;当数据交叉折叠、非线性增强时,模型很难给出准确结果。于是研究者重新启用八十年代就已出现的人工神经网络,借助更快的计算能力,把网络向更深处堆叠,得到深度学习这一更强大的工具。它减少了对人工特征工程的依赖,能从原始数据中自动逐层提取特征,其网络建模的数学基础见 [[人工神经元数学模型]]。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 深度学习入门 机器学习的任务分类与深度学习 · 查看原书依据
尽管机器学习为计算机提供了学习决策边界的能力,但它错过了这样做的鲁棒性。 机器学习模型必须针对每个特定应用进行特别设计。 人们花费了数小时来决定选择哪些特征以实现最佳学习。
参考来源
- 位置:《Python深度学习架构实用指南(初译)》第01章《深度学习入门》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/04.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文指出机器学习缺乏鲁棒性、依赖人工特征,进而引出更深网络与更强算力催生深度学习,支撑本卡的动机分析。
- 原始内容:尽管机器学习为计算机提供了学习决策边界的能力,但它错过了这样做的鲁棒性。 机器学习模型必须针对每个特定应用进行特别设计。 人们花费了数小时来决定选择哪些特征以实现最佳学习。