深度學習是機器學習與神經網絡、人工智能、圖形化建模、優化、模式識別和信號處理等技術融合后產生的一個領域。在嚴謹的學術期刊中，這個新興學科的模型一直受嚴肅理智的學者所推崇：

“深度學習網絡是神經網絡革命性的發展，人們甚至認為可以用它來創建更強大的預測模型。”

1、成功的藍圖

簡單來說，深度神經網絡是一種用多層抽象來表示概念或特征的方式。其實，任何工程師或者建筑師都在用這種基本方法。想想大型辦公樓的藍圖：在最底層，會標示出電路、水管和排水系統的詳細情況;而在最高層，可能會有一個旋轉觀景臺和旗桿，能看到整個30層樓的輪廓。

深度神經網絡也遭循這個非常有用的方案。該方案幾乎被用于生活的各個領域。醫生有診斷書，教師有教學大綱，企業有盈利策劃書，甚至學術界都有一個發表研究論文的規范。

實際上，在生活中很難找出不用多層抽象來表達觀點的例子——軍隊指揮官用相同的原則部署作戰，政治家以此贏得競選。相同的原理同樣適用于神經網絡或者其他多層模型的分類和預測，這是室無道理的。

更快的計算機處理器，日益廉價的內存以及層出不窮的新數據格式，使得任意規模的企業都能用深度學習來做數據分析。

2、有監督學習和無監督學習

深度學習使用多層機器學習模型對數據進行有監督學或無監督學習。模型中的不同層由非線性數據變換的多個階段組成，數據的特征在相繼更高、更抽象的層表示。

數據科學領域有如下兩種基本的學習類型。

有監督學習：訓練的數據包含已知的結果。模型相對于這些結果進行訓練。

無監督學習：訓練數據不包含任何已知的結果。算法自行發現數據中的聯系。

3、深度學習的流程

在學習深度學習的核心思想時，我們采取的通用方法一般如圖2.1所示。無論開發什么類型的機器學習模型，最終都回歸到這個基本模型。輸入數據傳遞給模型，經過多個非線性層進行過濾，最后一層包含分類器——決定該對象所屬的種類。

圖2.1 通用深度學習框架

用數據進行學習的目標是預測響應變量或者用一組給定的屬性對響應變量分類。這與線性回歸有點類似，在線性回歸中，用一組獨立變量（也叫屬性或特征）通過一個線性模型來預測因（響應）變量。不過，傳統的線性回歸模型并不被視為深度學習，因為它們沒有對數據進行多層的非線性變換。

其他流行的數據學習技術有決策樹（ decision tree ） 、隨機森林（ random forest ）和支持向量機（support vector machine ）。這些技術雖然強大，但是并不深入。決策樹和隨機森林工作在原始輸入數據上，不進行變換，也不生成新特征;支持向量機層次較淺，因為它們僅由核函數和線性變換組成。類似地單隱藏層神經網絡也不被視為深度神經網絡，因為它們只包含一個隱藏層。

深度學習能解決什么問題

深度學習的威力來自于用適量的并行非線性步驟對非線性數據進行分類或預測的能力。從原始輸入數據到數據的實際分類的過程中，深度學習模型學習輸入數據的分層特征。每一層從前一層的輸出中提取特征。

本書所指的深度學習模型是有多個隱藏層的神經網絡。如圖2.2所示，最簡單的深度神經網絡至少包含兩層的隱藏神經元。其中每一層的輸入來自上一層的輸出。

圖2.2 帶兩個隱蔽層的前饋神經網絡

多層深度神經網絡有多個非線性層級，可以緊湊地表示高度非線性的和/或高度變化的函數。它們擅長識別數據中的復雜模式，可以用來改進計算機視覺和自然語言處理等工作，并可以解決非結構化數據難題。

全球發行且讀者眾多的雜志《IEEE Spectrum》 報道 ：”數據科學家供不應求。這些專業人士享有高薪和大型股票期權“據麥肯錫全球研究所稱，僅美國就缺少14萬~19萬具備適當技能的數據科學家，哈佛商業評論聲稱數據科學是21世紀最吸引人的工作。
責任編輯人：CC