自2016年开始，人工智能成为人们日常生活中的一个热门话题，人工智能也得到了越来越多企业特别是技术性企业的关注。细心的朋友可能会发现，与人工智能同时唇线的另一个词就是深度学习，它们之间到底有什么关系呢？本文做个简单的普及。
人工智能本是一个很宽泛的概念，包含多种技术，如基于机器学习的、基于链接的、基于推理的等。而我们所说的深度学习，本质上就是基于链接的技术的发展，按照现在的划分，它常被看作是机器学习的子集。
人们对科学问题的探索包含多种手段，其中的一种就是仿生学，早在1943年Warren Maculloch和Walter Pitts教授就模拟人类大脑的结构，提出了人工神经元的概念，他们通过简单线性加权的方式来模拟大脑神经元的工作，他们将神经季报描述为一个具备二进制输出的逻辑门。到了1958年Frank Rosenblatt教授则提出了一个自学习算法，可以自动优化得到各边的权重。在之后的几十年中，由于没有高效的训练多层神经网络的算法，使得其发展进入了停滞状态。直到1986年，Hinton和Willianms提出并推广了反向传播算法，使得神经网络再次得到人们的关注。
20世纪末，神经网络的理论得到提升，如卷积神经网络和循环神经网络，到了1991年LSTM模型的提出有效的解决了对较长序列进行建模的问题。但是受限于硬件性能，以及当时数据量的问题，神经网络总体上没有太大的进步。
大约2010年前后，硬件以不再是阻碍神经网络发展的瓶颈，而且可获得的数据量也呈现爆发状态，神经网络终于得以发展。目前的神经网络都包括多个隐层，而且总体上神经元的数量众多。我们把超过三个隐层的神经网络称为是深度网络，对深度网络进行训练的过程称作是深度学习。
本质上来说，深度网络仍旧是神经网络，只不过模型的复杂度更高，因此往往实现通过预训练来加快其学习的过程，而并行技术的发展则拓宽了深度学习的应用范围。
大数据、机器学习、人工智能培训
脱产、周末、就业、业余班并行
识别二维码，获取最新培训信息