深度学习（DL）

深度学习革命2010年左右开始。

从那时起，深度学习解决了许多 "unsolvable" 问题。

深度学习革命并不是由单一发现引发的。当几个必要的因素准备就绪时，这或多或少就会发生：

计算机足够快
电脑存储空间足够大
发明了更好的训练方法
发明了更好的调音方法

神经元

科学家一致认为我们的大脑有 80 到 1000 亿个神经元。

这些神经元之间有数千亿个连接。

图片来源：巴塞尔大学，Biozentrum。

神经元（又名神经单元格）是我们大脑和神经系统的基本单位。

神经元负责接收来自外部世界的输入，发送输出（向我们的肌肉发出命令），并在两者之间转换电信号。

神经网络

人工神经网络通常称为神经网络（NN）。

神经网络实际上是多层的感知器。

感知器定义了多层神经网络的第一步。

神经网络的本质是深度学习。

神经网络是历史上最重要的发现之一。

神经网络可以解决算法无法解决的问题：

医疗诊断
人脸检测
语音识别

神经网络模型

输入数据（黄色）针对隐藏层（蓝色）进行处理，并针对另一个隐藏层（绿色）进行修改以产生最终输出（红色）。

汤姆·米切尔

Tom Michael Mitchell（生于 1951 年）是一位美国计算机科学家和卡内基梅隆大学 (CMU) 教授。

他是卡内基梅隆大学机器学习系前系主任。

"A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E."

汤姆·米切尔 (1999)

E：经验（次数）。
T：任务（驾驶汽车）。
P：表现（好或坏）。

长颈鹿的故事

2015年，赖马修，伦敦帝国理工学院的一名学生创建了一个名为长颈鹿。

长颈鹿可以在72小时内接受国际象棋大师水平的训练。

计算机下棋并不新鲜，但该程序的创建方式却是新的。

智能国际象棋程序需要数年时间才能构建，而 Giraffe 则通过神经网络在 72 小时内构建完成。

监督机器学习
无监督机器学习
自监督机器学习

深度学习

经典编程使用程序（算法）来创建结果：

传统计算

数据+计算机算法=结果

机器学习使用结果来创建程序（算法）：

机器学习

数据 + 结果 =计算机算法

机器学习

机器学习通常被认为等同于人工智能。

这是不正确的。机器学习是人工智能的一个子集。

机器学习是人工智能的一门学科，它使用数据来教导机器。

"Machine Learning is a field of study that gives computers the ability to learn without being programmed."

阿瑟·塞缪尔 (1959)

智能决策公式

保存所有操作的结果
模拟所有可能的结果
将新动作与旧动作进行比较
检查新动作是好还是坏
如果新动作没那么糟糕，则选择新动作
一切重来一遍

计算机可以执行数百万次这一事实，已经证明计算机可以做出非常明智的决策。