機(jī)器學(xué)習(xí)是一種實(shí)現(xiàn)人工智能的方法，深度學(xué)習(xí)是一種實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)。

深度學(xué)習(xí)本來(lái)并不是一種獨(dú)立的學(xué)習(xí)方法，其本身也會(huì)用到有監(jiān)督和無(wú)監(jiān)督的學(xué)習(xí)方法來(lái)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。但由于近幾年該領(lǐng)域發(fā)展迅猛，一些特有的學(xué)習(xí)手段相繼被提出（如殘差網(wǎng)絡(luò)），因此越來(lái)越多的人將其單獨(dú)看作一種學(xué)習(xí)的方法。

機(jī)器學(xué)習(xí)的來(lái)源

機(jī)器學(xué)習(xí)直接來(lái)源于早期的人工智能領(lǐng)域，傳統(tǒng)的算法包括決策樹(shù)、聚類、貝葉斯分類、支持向量機(jī)、EM、Adaboost等等。傳統(tǒng)的機(jī)器學(xué)習(xí)算法在指紋識(shí)別、基于Haar的人臉檢測(cè)、基于HoG特征的物體檢測(cè)等領(lǐng)域的應(yīng)用基本達(dá)到了商業(yè)化的要求或者特定場(chǎng)景的商業(yè)化水平，但每前進(jìn)一步都異常艱難，直到深度學(xué)習(xí)算法的出現(xiàn)。

最初的深度學(xué)習(xí)是利用深度神經(jīng)網(wǎng)絡(luò)來(lái)解決特征表達(dá)的一種學(xué)習(xí)過(guò)程。深度神經(jīng)網(wǎng)絡(luò)本身并不是一個(gè)全新的概念，可大致理解為包含多個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。為了提高深層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，人們對(duì)神經(jīng)元的連接方法和激活函數(shù)等方面做出相應(yīng)的調(diào)整。其實(shí)有不少想法早年間也曾有過(guò)，但由于當(dāng)時(shí)訓(xùn)練數(shù)據(jù)量不足、計(jì)算能力落后，因此最終的效果不盡如人意。深度學(xué)習(xí)摧枯拉朽般地實(shí)現(xiàn)了各種任務(wù)，使得似乎所有的機(jī)器輔助功能都變?yōu)榭赡堋?/p>

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個(gè)新的領(lǐng)域，其動(dòng)機(jī)在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來(lái)解釋數(shù)據(jù)，例如圖像，聲音和文本。同機(jī)器學(xué)習(xí)方法一樣，深度機(jī)器學(xué)習(xí)方法也有監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)之分，不同的學(xué)習(xí)框架下建立的學(xué)習(xí)模型很是不同。

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究。含多隱層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過(guò)組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。

深度學(xué)習(xí)的概念由Hinton等人于2006年提出?；谏疃戎眯啪W(wǎng)絡(luò)(DBN)提出非監(jiān)督貪心逐層訓(xùn)練算法，為解決深層結(jié)構(gòu)相關(guān)的優(yōu)化難題帶來(lái)希望，隨后提出多層自動(dòng)編碼器深層結(jié)構(gòu)。此外Lecun等人提出的卷積神經(jīng)網(wǎng)絡(luò)是第一個(gè)真正多層結(jié)構(gòu)學(xué)習(xí)算法，它利用空間相對(duì)關(guān)系減少參數(shù)數(shù)目以提高訓(xùn)練性能。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中一種基于對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法。觀測(cè)值（例如一幅圖像）可以使用多種方式來(lái)表示，如每個(gè)像素強(qiáng)度值的向量，或者更抽象地表示成一系列邊、特定形狀的區(qū)域等。而使用某些特定的表示方法更容易從實(shí)例中學(xué)習(xí)任務(wù)（例如，人臉識(shí)別或面部表情識(shí)別）。深度學(xué)習(xí)的好處是用非監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)和分層特征提取高效算法來(lái)替代手工獲取特征。

其實(shí)，在機(jī)器學(xué)習(xí)社區(qū)中有很多人都在說(shuō)“深度學(xué)習(xí)已死”。不過(guò)，這種看法我們并不認(rèn)同，就像Intel副總裁Gadi Singer所說(shuō)，深度學(xué)習(xí)剛剛開(kāi)始上路，我們即將進(jìn)入AI的下一階段，而處于最前沿的深度學(xué)習(xí)是其中很重要的一部分。換句話說(shuō)，深度學(xué)習(xí)對(duì)于整個(gè)AI領(lǐng)域來(lái)說(shuō)，是AI的下一個(gè)階段。

想要了解更多深度學(xué)習(xí)的發(fā)展現(xiàn)狀，還請(qǐng)您親自來(lái)參加CIIS 2018大會(huì)，我們?cè)谏疃葘W(xué)習(xí)專題論壇等你，不見(jiàn)不散。