在人工智能高速發展的今天,它的發展速度已經遠遠超越了人們的想像。人工智能之所以能夠發展這麼快,這其中離不開他的一項技能。那就是深度學習。然而,什麼叫深度學習呢?
這個深度學習不同於我們把學習的程度加深。它是指人工神經網絡的一個研究概念。它只是適用於計算機,人工網絡這一塊。我們簡單地理解。就是計算機通過模擬人腦。對大量的數據進行分析,統計,甚至是模擬人腦的機制,去解釋數據去分析圖像。以及分辨聲音和文本。
而計算機不同人腦,它雖然產生於人腦,卻是優於人腦。人的記憶力有限,人的精力有限。甚至在對待某件事情,還有有情感等因素受到影響。而計算機不一樣。他可以在一秒鐘之內分析數百萬,數千萬甚至是數億的數據。它不同於人類,計算機沒有情感,不受時間,精力的限制。所以在人工智能領域它的深度學習功能,使得它發展如此迅速。
那麼對於機器是如何進行深度自我學習的,絕大多數人只簡單的分為有監督學習和無監督學習這兩類嚴格意義上來講應該分為四大類:有監督學習,無監督學習,半監督學習,強化學習下面對這四種機器學習做一下簡要的介紹:
有監督學習
有監督學習是指進行訓練的數據包含兩部分信息:特徵向量+類別標籤。也就是說,他們在訓練的時候每一個數據向量所屬的類別是事先知道的。在設計學習算法的時候,學習調整參數的過程會根據類標進行調整,類似於學習的過程中被監督了一樣,而不是漫無目標地去學習,故此得名。
無監督學習
相對於有監督而言,無監督方法的訓練數據沒有類標,只有特徵向量。甚至很多時候我們都不知道總共的類別有多少個。因此,無監督學習就不叫做分類,而往往叫做聚類。就是採用一定的算法,把特徵性質相近的樣本聚在一起成為一類。
半監督學習
半監督學習是一種結合有監督學習和無監督學習的一種學習方式。它是近年來研究的熱點,原因是在真正的模型建立的過程中,往往有類標的數據很少,而絕大多數的數據樣本是沒有確定類標的。這時候,我們無法直接應用有監督的學習方法進行模型的訓練,因為有監督學習算法在有類標數據很少的情況下學習的效果往往很差。但是,我們也不能直接利用無監督學習的方式進行學習,因為這樣,我們就沒有充分的利用那些已給出的類標的有用信息。
強化學習
所謂強化學習就是智能係統從環境到行為映射的學習,以使獎勵信號(強化信號)函數值最大,強化學習不同於連接主義學習中的監督學習,主要表現在教師信號上,強化學習中由環境提供的強化信號是對產生動作的好壞作一種評價(通常為標量信號),而不是告訴強化學習系統RLS(reinforcement learning system)如何去產生正​​確的動作。由於外部環境提供的信息很少,RLS必須靠自身的經歷進行學習。通過這種方式,RLS在行動-評價的環境中獲得知識,改進行動方案以適應環境。