传统的机器学习存在一定的局限性，比较集中地体现在以下两点：
传统机器学习中的样本特征主要是依靠专家经验或者是特征转换的方法来获取的。依赖专家经验来提取特征的方法通常耗时、费力，同时也很难去捕捉抽象的、隐含的交叉特征。针对不同的任务，抽取不同模态的特征往往依靠不同的基础知识，不具有通用性。即使是针对特定的学习任务，也需要大量的经验和多次尝试才能选择出较好的特征。
传统机器学习一般只能使用较为简单的函数形式，比如用线性函数表达模型。模型的表达能力直接影响机器学习模型最终的预测效果，而形式简单的函数通常不具备复杂的模型表达能力。如果简单地对函数族进行扩张，使用更复杂的函数来学习，那么模型往往容易产生过拟合，泛化能力下降。
深度学习 Deep Learning 的出现在一定程度上弥补、突破了上述的浅层学习上述的局限性。深度学习通常是指基于深度神经网络的一类机器学习模型。深度神经网络在传统浅层神经网络的基础上引入了更多的中间隐藏层，因此具有拟合复杂情况的能力。一个深度神经网络由输入层——中间层——输出层的结构构成，其中间的一层或多层结构本质上完成了自动特征工程的过程。深度学习一方面降低了专家定义特征的代价，另一方面也可以捕捉隐性特征，在图像、自然语言处理、推荐系统中的特征提取往往能取得较好的效果。同时，引入多个中间层的深度神经网络可以表达复杂的非线性函数映射。
好了，今天就说到这里吧，下一篇让我们在显微镜下好好来看看神经网络的模样~
码字不易，欢迎关注AINotesClub。
转载请超链接注明：头条资讯 » 为什么还要搞深度学习，传统的机器学习不香吗？
免责声明
：非本网注明原创的信息，皆为程序自动获取互联网，目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责；如此页面有侵犯到您的权益，请给站长发送邮件，并提供相关证明(版权证明、身份证正反面、侵权链接)，站长将在收到邮件24小时内删除。