软件正在吃掉我们的世界,深度学习也正吃掉机器学习

【新智元导读】人工智能、机器学习、深度学习方面的文章铺天盖地,向人们传播人工智能是改变世界最具竞争力的技术,相关企业应该抓住机会作深入研究,但是人们对于这三个词的区别却有了很多困惑。

人工智能、机器学习、深度学习方面的文章铺天盖地,向人们传播人工智能是改变世界最具竞争力的技术,相关企业应该抓住机会作深入研究,使得人们对于这三个词的区别却有了很多困惑。

对于业内人士来说,人工智能、机器学习、深度学习不难区分,人工智能涵盖的范围最广,小到传统形式的人工智能(GOFAL),大到联结论轮架构,几乎无所不包。机器学习是人工智能的分领域,包含所有基于数据的学习算法研究的技术。近年来,整个技术领域(注意原文中的 swaths,不是 swatches)在机器学习方面有了突破性的技术成果,如线性回归(Linear Regression)、K-means算法、决策树(Decision Trees), 随机森林(Random Forest)、PCA、SVM 以及人工神经网络(ANN)。而深度学习就是源自于人工神经网络的。

虽然深度学习在20世纪60年代初就已经出现,但一些接触过人工神经网络的机器学习人员表示,提到深度学习,第一感觉它就是具有多层架构的人工神经网络。而且,深度学习的成功很大程度上归功于大数据和更强大的计算机引擎,如绘图处理器(GPU)的支持。虽然如此,但是如果认为深度学习仅是比 SVM 和 Decision Tree 更高级的算法,那就如只关注单棵大树而忽视了整片树林,大错特错了。

引用 Andreesen 的说法“软件正在吃掉我们的世界”,“深度学习也正吃掉机器学习”。下面分别是机器学习不同领域的两位专家的文章节选,很好地诠释了深度学习为什么正在吃掉我们的世界。

自然语言处理研究专家 Chris Manning 在文章“深度学习海啸”(Deep Learning Tsunami)中写道:

深度学习波在计算机语言领域已经出现很多了,但是2015年,最大强度的海啸将袭击各大自然语言处理大会。更有甚者,一些权威人士预测,最终的破坏力可能会更大。

Nicholas Paragios在文章“计算机视觉研究:大萧条”(Computer Vision Research: the DeepDepression”)中写道:

可能是因为深度学习的高度复杂性和术语的高度统一,所以直到最近,大量的加注数据和强大计算能力的计算机图像才有能力处理所有的计算机视觉难题。这样的话,计算机视觉领域发生巨变只是时间的问题(事实上已经在发生),计算机视觉研究将会成为一个边缘学术目标,步计算机图形学的后尘(从学术研究的活跃度和量来说)。

以上两篇文章都强调了深度学习对于传统机器学习实践的破坏性干扰。让我震惊的是,就连 Gartner 公司都不能正确区分机器学习和深度学习。下面是Gartner 2016年8月发布的技术成熟度曲线,丝毫没有提及深度学习:

尽管深度学习一直被公众忽视,但在媒体曝光度上却近乎疯狂的增加。深度学习的宣传趋势已经成为这样:经过这样不断的商业化机械宣传,加上足够的数据和足够的训练时间,深度学习一定会为人们所理解。这是对先进技术能力的过分夸张和对深度学习的实际应用的过分简单化。

过去几年里,在深度学习领域涌现了大量的新思想和新技术,这些在之前不是鲜为人知就是站不住脚的理论。最开始这些新理论都是些看似零散、不相干的,但经过一段时间之后,新的模式和方法论开始出现,这些在“深度学习的设计模式”中都有介绍。

今天,深度学习已不仅是多层次的认知器,更是一个技术与方法论的集合,用于构建可组合可微分架构。这些都将是极具实用性的机器学习系统,而目前我们可能只看到了它的冰山一角。

我们只要知道,深度学习可能现在看来像魔术似的,但以后会非常实用,就像现在的化学用品一样。也就是说,我们现在需要做的是打好坚实的技术基础,未来才有可能构建出更强大功能的学习机器。

原文链接:https://medium.com/intuitionmachine/why-deep-learning-is-radically-different-from-machine-learning-945a4a65da4d#.uqsc8wtkf

原文发布于微信公众号 - 新智元(AI_era)

原文发表时间:2016-11-21

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏新智元

《科学》封面论文作者力作:搭建像人一样思考和学习的机器(附论文下载)

【新智元导读】纽约大学的B. Lake、MIT的J. Tenenbaum等人2015年底在《科学》刊发封面论文,描述“看一眼便能学会写字”的计算机。Lake、T...

3487
来自专栏专知

AI进军新药发现研究?这99页slides了解一下

【导读】近些年,深度学习对许多研究领域产生了深远的影响,应用场景也十分宽泛。我们都知道在医疗领域,新药发现研究是高成本,低产出的,但是对推进医疗领域的发展起到至...

1164
来自专栏灯塔大数据

观点|12位专家展望未来5年深度学习发展趋势

? 2015年已然过去,2016刚刚开始,回头将目光集中于去年的成就上,以及对将来科学趋势的预测。去年最令人瞩目的一个领域就是深度学习,它是机器学习中越来越流...

35914
来自专栏新智元

【报告】神经网络:技术发展与未来挑战(PDF下载)

【新智元导读】本文为爱思唯尔收费报告。西班牙格拉纳达大学研究人员系统梳理神经网络历史,从模型、模拟器到实现几方面阐释神经网络发展,展示了随时间推移,神经网络如何...

3598
来自专栏新智元

【Quora直播】LeCun:深度学习突破,对抗式网络最值得期待

【新智元导读】Facebook AI实验室负责人、深度学习三驾马车之一的Yann LeCun今天(没有错,就在几个小时之前!)在Quora上回答提问,有一万多人...

3273
来自专栏AI科技评论

专访蓝光辉教授:在随机优化算法的世界里徜徉

AI 科技评论按:在大规模机器学习问题的求解中,随机优化算法占据着不可替代的地位。大数据在提供海量信息的同时,也暴露了传统计算方法效率低的问题。举例来说,从最初...

1283
来自专栏计算机视觉life

【深度相机系列一】iPhone X的原深感相机到底是个什么玩意?

9月13日苹果发布了致敬十周年的新机型iPhone X,其中前置原深感(TrueDepth)相机引起了极大的舆论关注。该相机的构成如下图所示。从左到右,依次是红...

7336
来自专栏专知

【紫冬观点】 刘成林:模式识别背后的人工智能局限

中科院自动化所刘成林研究员详述了人工智能在目前发展阶段,人脸识别、文字识别等典型问题的研究难点和重点。同时,刘成林指出,人脸识别和文字识别作为典型的模式识别问题...

1833
来自专栏人工智能快报

新型神经网络可从单张照片识别人脸

借助于深度神经网络,俄罗斯国立高等经济大学的人研究人员已经提出了一种新方法,能够从视频中识别出人的身份。该方法不需要大量的照片,并且与现有方法相比具有明显更高的...

1642
来自专栏大数据文摘

12位专家,展望未来5年深度学习发展趋势

2168

扫码关注云+社区

领取腾讯云代金券