无论是AI学科还是其他学科，在学习和研究的过程中，不断反思该学科的历史，总结该学科的发展状况，并找到最重要的概念，将始终使人们能够“保持一致”。用我的方式”。软件工程师James Le最近根据他的研究经验总结了AI研究必须知道的十种深度学习方法，这非常有启发性。人工智能实践者需要应用的10种深度学习方法在过去的十年中，人们对机器学习的兴趣经历了爆炸性的发展。您可以在计算机科学项目，行业会议和媒体报道中看到机器学习的阴影。但是似乎在关于机器学习的所有讨论中，人们常常将AI可以做什么与他们希望AI可以做什么混为一谈。从根本上讲，机器学习实际上是使用算法从原始数据中提取信息并以某种类型的模型来表达信息。然后我们使用此模型来推断尚未建模的其他数据。作为一种机器学习模型，神经网络已经存在了至少50年。神经网络的基本单元是节点，它粗略地模仿了哺乳动物大脑中生物神经元的节点。节点之间的链接（也模仿生物大脑）会随着时间的流逝而发展（训练）。在1980年代中期和1990年代初期，已经建立了许多重要的神经网络体系结构。但是，为了获得良好的结果，需要足够的计算能力和大数据集。这些是当时。它不是理想的，因此人们对机器学习的热情逐渐降低。在21世纪初，计算机的计算能力呈指数级增长-行业见证了“寒武纪爆炸”。计算机技术，这在以前几乎是无法想象的。作为该领域的重要框架，在计算能力爆炸式增长的十年中，深度学习赢得了许多重要的机器学习竞赛。直到今年，这种红利的流行才有所降温。今天，我们在机器学习的每个角落都看到了深度学习。最近，我也开始阅读一些有关深度学习的学术论文。以下是我收集的几篇对深度学习领域的发展产生重大影响的论文：1，基于梯度的学习应用于（1998年）的重要文献识别：机器学习神经网络世界简介卷积作者：Yann LeCun，Leon Bottou，Yoshua Bengio和Patrick Haffner2，Deep Boltzmann机器（2009年）意义：提出了一种针对Boltzmann机器的新学习算法，其中包含许多隐藏的可变层。作者：Ruslan Salakhutdinov，Geoffrey Hinton3，使用大规模无监督构建高级特征（2012）学习的意义：仅解决了未标记数据的问题，以构建高级的，特定于类别的特征检测器。作者：Quoc V. Le，Marc＆amp; rsquo; Aurelio Ranzato，Rajat Monga，Matthieu Devin，Kai Chen，Greg S.Corrado，Jeff Dean，Andrew Y.Ng4，DeCAF＆amp; mdash;通用视觉识别的深度卷积激活功能（2013）意义：发布了深度卷积激活功能＆amp;＆amp; mdash; DeCAF以及所有相关网络参数的开源实现，使视觉研究人员能够进行一系列的实验视觉概念学习范式。作者：杰夫·多纳休（Jeff Donahue），贾阳清，Oriol Vinyals，朱迪·霍夫曼（Judy Hoffman），张宁，埃里克·曾（Eric Tzeng），特雷弗·达雷尔（Trevor Darrell）5，《玩深层强化学习的Atari》（2016年）含义：第一个提供了强化学习，可以直接从高维感官输入中使用用于学习控制策略的深度学习模型。作者：Volodymyr Mnih，Koray Kavukcuoglu，David Silver，Alex Graves，Ioannis Antonoglou，Daan Wierstra，Martin Riedmiller（DeepMind团队）在研究和研究中，我发现了很多非常有趣的知识点。在这里，我将分享十种深度学习方法。 AI工程师可以将其应用于他们的机器学习问题。然而，首先让我们定义什么是“深度学习”。是。对于许多人来说，“深度学习”的下一个定义是确实是非常具有挑战性的，因为在过去的十年中，它的形式逐渐发生了巨大的变化。首先，我们从视觉上感觉到“深度学习”的状态。下图是AI，机器学习和深度学习这三个概念的关系图。