人類一直試圖讓機器具有智能，也就是人工智能（Artificial Intelligence）。從上世紀 50 年代，人工智能的發(fā)展經(jīng)歷了“推理期”，通過賦予機器邏輯推理能力使機器獲得智能，當時的 AI 程序能夠證明一些著名的數(shù)學定理，但由于機器缺乏知識，遠不能實現(xiàn)真正的智能。因此，70 年代，人工智能的發(fā)展進入“知識期”，即將人類的知識總結(jié)出來教給機器，使機器獲得智能。在這一時期，大量的專家系統(tǒng)問世，在很多領(lǐng)域取得大量成果，但由于人類知識量巨大，故出現(xiàn)“知識工程瓶頸”。無論是“推理期”還是“知識期”，機器都是按照人類設(shè)定的規(guī)則和總結(jié)的知識運作，永遠無法超越其創(chuàng)造者，其次人力成本太高。于是，一些學者就想到，如果機器能夠自我學習問題不就迎刃而解了嗎！機器學習（Machine Learning）方法應(yīng)運而生，人工智能進入“機器學習時期”。“機器學習時期”也分為三個階段，80 年代，連接主義較為流行，代表工作有感知機（Perceptron）和神經(jīng)網(wǎng)絡(luò)（Neural Network）。90 年代，統(tǒng)計學習方法開始占據(jù)主流舞臺，代表性方法有支持向量機（Support Vector Machine），進入 21 世紀，深度神經(jīng)網(wǎng)絡(luò)被提出，連接主義卷土從來，隨著數(shù)據(jù)量和計算能力的不斷提升，以深度學習（Deep Learning）為基礎(chǔ)的諸多 AI 應(yīng)用逐漸成熟。

　　所以，人工智能是追求目標，機器學習是實現(xiàn)手段，深度學習是其中一種方法。

　　在過去幾年中，深度學習已成為大多數(shù) AI 類型問題的首選技術(shù)，掩蓋了經(jīng)典的機器學習。其中明顯的原因是深度學習已經(jīng)在包括言語、自然語言、視覺和玩游戲在內(nèi)的各種各樣的任務(wù)中多次表現(xiàn)出優(yōu)異的表現(xiàn)。然而，盡管深度學習具有如此高的性能，但使用經(jīng)典的機器學習和一些特定的情況下，使用線性回歸或決策樹而不是大型深度網(wǎng)絡(luò)會更好。 我們將比較深度學習與傳統(tǒng)的機器學習技術(shù)。在這樣做的過程中，我們將找出兩種技術(shù)的優(yōu)點和缺點，以及它們在哪里，如何獲得最佳的使用。

　　不需要特征工程：經(jīng)典的 ML 算法通常需要復(fù)雜的特征工程。首先在數(shù)據(jù)集上執(zhí)行深度探索性數(shù)據(jù)分析，然后做一個簡單的降低維數(shù)的處理。最后，必須仔細選擇最佳功能以傳遞給 ML 算法。當使用深度網(wǎng)絡(luò)時，不需要這樣做，因為只需將數(shù)據(jù)直接傳遞到網(wǎng)絡(luò)，通常就可以實現(xiàn)良好的性能。這完全消除了整個過程的大型和具有挑戰(zhàn)性的特征工程階段。適應(yīng)性強，易于轉(zhuǎn)換：與傳統(tǒng)的 ML 算法相比，深度學習技術(shù)可以更容易地適應(yīng)不同的領(lǐng)域和應(yīng)用。首先，遷移學習使得預(yù)先訓練的深度網(wǎng)絡(luò)適用于同一領(lǐng)域內(nèi)的不同應(yīng)用程序是有效的。例如，在計算機視覺中，預(yù)先訓練的圖像分類網(wǎng)絡(luò)通常用作對象檢測和分割網(wǎng)絡(luò)的特征提取前端。將這些預(yù)先訓練的網(wǎng)絡(luò)用作前端，可以減輕整個模型的訓練，并且通常有助于在更短的時間內(nèi)實現(xiàn)更高的性能。此外，不同領(lǐng)域使用的深度學習的基本思想和技術(shù)往往是相當可轉(zhuǎn)換的。例如，一旦了解了語音識別領(lǐng)域的基礎(chǔ)深度學習理論，那么學習如何將深度網(wǎng)絡(luò)應(yīng)用于自然語言處理并不是太具有挑戰(zhàn)性，因為基準知識非常相似。對于經(jīng)典 ML 來說，情況并非如此，因為構(gòu)建高性能 ML 模型需要特定領(lǐng)域和特定應(yīng)用的 ML 技術(shù)和特征工程。對于不同的領(lǐng)域和應(yīng)用而言，經(jīng)典 ML 的知識庫是非常不同的，并且通常需要在每個單獨的區(qū)域內(nèi)進行廣泛的專業(yè)研究。

　　經(jīng)典機器學習》深度學習

　　對小數(shù)據(jù)更好：為了實現(xiàn)高性能，深層網(wǎng)絡(luò)需要非常大的數(shù)據(jù)集。之前提到的預(yù)先訓練過的網(wǎng)絡(luò)在 120 萬張圖像上進行了訓練。對于許多應(yīng)用來說，這樣的大數(shù)據(jù)集并不容易獲得，并且花費昂貴且耗時。對于較小的數(shù)據(jù)集，傳統(tǒng)的 ML 算法通常優(yōu)于深度網(wǎng)絡(luò)。財務(wù)和計算都便宜：深度網(wǎng)絡(luò)需要高端 GPU 在大量數(shù)據(jù)的合理時間內(nèi)進行訓練。這些 GPU 非常昂貴，但是如果沒有他們訓練深層網(wǎng)絡(luò)來實現(xiàn)高性能，這在實際上并不可行。要有效使用這樣的高端 GPU，還需要快速的 CPU、SSD 存儲以及快速和大容量的 RAM。傳統(tǒng)的 ML 算法只需要一個體面的 CPU 就可以訓練得很好，而不需要最好的硬件。由于它們在計算上并不昂貴，因此可以更快地迭代，并在更短的時間內(nèi)嘗試許多不同的技術(shù)。更容易理解：由于傳統(tǒng) ML 中涉及直接特征工程，這些算法很容易解釋和理解。此外，調(diào)整超參數(shù)并更改模型設(shè)計更加簡單，因為我們對數(shù)據(jù)和底層算法都有了更全面的了解。另一方面，深層網(wǎng)絡(luò)是“黑匣子”型，即使現(xiàn)在研究人員也不能完全了解深層網(wǎng)絡(luò)的“內(nèi)部”。由于缺乏理論基礎(chǔ)、超參數(shù)和網(wǎng)絡(luò)設(shè)計也是一個相當大的挑戰(zhàn)。