如今，提到人工智能，幾乎無人不談深度學習，似乎不用深度學習就不好意思談人工智能。今天我們就用幾分鐘的時間來講一下深度學習到底是什么，有什么用。

首先深度學習并不等于人工智能，它只是一種算法，和普通的機器學習算法一樣，是解決問題的一種方法。真要區(qū)分起來，人工智能、機器學習和深度學習，三者大概是下圖這種關系。人工智能是一個很大的概念，機器學習是其中的一個子集，而深度學習又是機器學習的一個子集。

其次，深度學習也不是什么新技術，深度學習的概念源于人工神經(jīng)網(wǎng)絡的研究，早在上世紀 40 年代，通用計算機問世之前，科學家就提出了人工神經(jīng)網(wǎng)絡的概念。而那個時候的計算機剛剛開始發(fā)展，速度非常慢，最簡單的網(wǎng)絡也得數(shù)天才能訓練完畢，效率極其低下，因此在接下來的十幾年都沒有被大量使用。近些年，隨著算力的提升，GPU、TPU 的應用，神經(jīng)網(wǎng)絡得到了重大發(fā)展。伴隨著 AlphaGo 的勝利，深度學習也一戰(zhàn)成名。

其實，同機器學習方法一樣，深度學習方法也有監(jiān)督學習與無監(jiān)督學習之分。例如，卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，簡稱 CNN）就是一種深度的監(jiān)督學習下的機器學習模型，而深度置信網(wǎng)絡（Deep Belief Nets，簡稱 DBN）就是一種無監(jiān)督學習下的機器學習模型。深度學習的”深度“是指從”輸入層“到”輸出層“所經(jīng)歷層次的數(shù)目，即”隱藏層“的層數(shù)，層數(shù)越多，深度也越深。

所以越是復雜的選擇問題，越需要深度的層次多。除了層數(shù)多外，每層”神經(jīng)元“－小圓圈的數(shù)目也要多。例如，AlphaGo 的策略網(wǎng)絡是 13 層，每一層的神經(jīng)元數(shù)量為 192 個。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數(shù)據(jù)，來學習更有用的特征，從而最終提升分類或預測的準確性。

深度學習提出了一種讓計算機自動學習出模式特征的方法，并將特征學習融入到了建立模型的過程中，從而減少了人為設計特征造成的不完備性。但是，在有限數(shù)據(jù)量的應用場景下，深度學習算法不能夠對數(shù)據(jù)的規(guī)律進行無偏差的估計。為了達到很好的精度，需要海量數(shù)據(jù)的支撐。另外，深度學習中圖模型的復雜化導致算法的時間復雜度急劇提升，為了保證算法的實時性，需要更高的并行編程技巧和更多更好的硬件支持。

在應用方面，雖然深度學習被吵得火熱，但是也并不是無所不能。目前深度學習主要應用在圖像識別，語音識別等領域。而在很多商業(yè)場景，例如金融數(shù)據(jù)，它的效果并不太好，很容易出現(xiàn)過擬合，這在機器學習中是非常致命的問題，即在訓練數(shù)據(jù)上表現(xiàn)的很好，但是泛化能力卻很差，在未見到的數(shù)據(jù)上，表現(xiàn)的很差。深度學習模型很容易受到數(shù)據(jù)中難以察覺的擾動，這些擾動會欺騙模型做出錯誤的預測或分類，而在很多場景的數(shù)據(jù)中是存在著大量噪音的。另外深度學習的過程是一個黑箱子，無法解釋其做出的決策，這也導致在某些場景難以應用，比如一個銀行審批貸款的深度學習系統(tǒng)，在拒絕了客戶的貸款申請之后，而無法給出合理的解釋，那么被自動拒絕了貸款的用戶自然無法接受。深度學習模型需要海量的數(shù)據(jù)支撐，算法也比較復雜，模型的訓練速度很慢，通常要幾天甚至數(shù)周，同時還會耗費大量的計算資源，這也限制了它在各行業(yè)的廣泛應用。

因此，深度學習只是機器學習的一種，和其它算法一樣，有自己的長處也有不足。在實際應用中根據(jù)業(yè)務場景和問題選擇合適的算法才能解決問題的有效方法，而不是看誰用了深度學習就去景仰。在一些自動建模產(chǎn)品中，一般也會集成深度學習算法，用戶只要把數(shù)據(jù)丟進去，建模工具就會自動預處理數(shù)據(jù)，選擇最優(yōu)算法建好模型，使用起來非常簡單方便。

對進一步數(shù)據(jù)挖掘和 AI 技術感興趣的同學還可以搜索“乾學院”，上面有面向小白的零基礎“數(shù)據(jù)挖掘”免費課程