深度學習

深度學習的概念源於人工神經網路的研究。含多隱的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分散式特徵表示。深度學習的實質，是通過構建具有很多隱層的機器學習模型和海量的訓練資料，來學習更有用的特徵，從而最終提升分類或預測的準確性。
深度學習是一個框架，包含多個重要演算法:

Convolutional Neural Networks(CNN)卷積神經網路

AutoEncoder自動編碼器

Sparse Coding稀疏編碼

Restricted Boltzmann Machine(RBM)限制波爾茲曼機

Deep Belief Networks(DBN)深度信念網路

Recurrent neural Network(RNN)多層反饋迴圈神經網路神
深度學習的應用

深度學習的快速發展，不僅使機器學習得到許多實際的應用，還拓展了整個AI（人工智慧）的範圍。 它將任務進行拆解，使得各種型別的機器輔助變成可能，具體分為以下幾類應用：

（1）無人駕駛汽車

深度學習在無人駕駛領域主要用於影象處理，可以用於感知周圍環境、 識別可行駛區域檢測、以及識別行駛路徑識別。

（2）圖片識別及分類

識別出圖片中的物件，並建立關鍵詞，對圖片進行分類。

（3）機器翻譯

基於深度學習理論，藉助海量計算機模擬的神經元，在海量的網際網路資源的依託下，來模仿人腦理解語言，形成更加符合語法規範、容易理解的譯文。

（4）目標識別

即不僅可以識別出是什麼物體，還可以預測物體的位置，位置一般用邊框標記

（5）情感識別

通過深度學習，幫助計算機識別新聞、微博、部落格、論壇等文字內容中所包含情感態度，從而及時發現產品的正負口碑。

（6）藝術創作

通過深度學習，讓計算機學會根據不同的作曲家風格進行音樂編曲或者基於各流派畫家進行繪畫創作。

（7）人臉識別

通過深層神經網路對千萬張人臉圖片進行大資料訓練，在經過人臉影象採集及檢測、人臉影象預處理、人臉影象特徵提取以及匹配與識別一系列技術檢測後，實現精準的人臉識別。

（8）語音識別

基於深度神經網路，構造改進語音識別的各種不同技術和方法，如在訊號位準中，建立從訊號中提取和增強語音本身的技術。

（9）預測未來

可以用來預測未來發展趨勢，如金融領域可以用來預測股價的漲跌。

（10）倉庫優化

通過深度學習，訓練機器人用最優的路徑來存取貨物。

（11）腦腫瘤檢測

利用深度學習方法，通過對已有的有無惡性腫瘤及腫瘤位置等大量醫療影象資料進行學習，總結出能代表惡性腫瘤形狀等的“特徵”模型。基於此模型，從X光、CT掃描、超聲波檢查、MRI等的影象中找出癌症等惡性腫瘤。

（12）生物資訊學

利用深度學習技術，對大量生物學資料進行收集和篩選，通過提取相關特徵屬性，建立合適的模型，可用於藥物臨床試驗之前的療效預測、疾病診斷等。人工智慧交流群 862729908