傳統的機器學習存在一定的侷限性，比較集中地體現在以下兩點：
傳統機器學習中的樣本特徵主要是依靠專家經驗或者是特徵轉換的方法來獲取的。依賴專家經驗來提取特徵的方法通常耗時、費力，同時也很難去捕捉抽象的、隱含的交叉特徵。針對不同的任務，抽取不同模態的特徵往往依靠不同的基礎知識，不具有通用性。即使是針對特定的學習任務，也需要大量的經驗和多次嘗試才能選擇出較好的特徵。
傳統機器學習一般只能使用較為簡單的函數形式，比如用線性函數表達模型。模型的表達能力直接影響機器學習模型最終的預測效果，而形式簡單的函數通常不具備複雜的模型表達能力。如果簡單地對函數族進行擴張，使用更復雜的函數來學習，那麼模型往往容易產生過擬合，泛化能力下降。
深度學習 Deep Learning 的出現在一定程度上彌補、突破了上述的淺層學習上述的侷限性。深度學習通常是指基於深度神經網絡的一類機器學習模型。深度神經網絡在傳統淺層神經網絡的基礎上引入了更多的中間隱藏層，因此具有擬合複雜情況的能力。一個深度神經網絡由輸入層——中間層——輸出層的結構構成，其中間的一層或多層結構本質上完成了自動特徵工程的過程。深度學習一方面降低了專家定義特徵的代價，另一方面也可以捕捉隱性特徵，在圖像、自然語言處理、推薦系統中的特徵提取往往能取得較好的效果。同時，引入多箇中間層的深度神經網絡可以表達複雜的非線性函數映射。
好了，今天就說到這裡吧，下一篇讓我們在顯微鏡下好好來看看神經網絡的模樣~
碼字不易，歡迎關注AINotesClub。
轉載請超鏈接註明：頭條資訊 » 為什麼還要搞深度學習，傳統的機器學習不香嗎？
免責聲明
：非本網註明原創的信息，皆為程序自動獲取互聯網，目的在於傳遞更多信息，並不代表本網贊同其觀點和對其真實性負責；如此頁面有侵犯到您的權益，請給站長發送郵件，並提供相關證明(版權證明、身份證正反面、侵權鏈接)，站長將在收到郵件24小時內刪除。