按关键词阅读：
如今大家都在说深度学习 。
- 它改变了游戏规则 。
- 它改变了你的生活 。
- 它改变了所有一切 。
- 它将改变这个世界 。
在本文中 ， 第一部分将首先将介绍深度学习及其基础 ， 作为我们学习的第一部分 。 第二部分 ， 我们将介绍 Cloudera 数据和机器学习的统一平台 ， 并展示实施深度学习的四种方法 。
最后 ， 我们提供六个实用技巧 ， 帮助您的组织开始进行深度学习 。
深度学习：一个成熟的技术机器学习是一组算法和方法用以发现数据中有用的模式 。 数据科学家有数百种不同的算法可用 ， 包括：
- 线性模型
- 决策树学习
- 基于内核的方法
- 集体学习
- 神经网络
文章插图如果具有特定的属性 ， 神经网络是有“深度”的 ， 我们将在下文深度学习 101中进行讨论 。 “深度学习”是指数据科学家用来训练和部署深层神经网络的工具和方法 。这些技术可追溯到20世纪80年代；然而 ， 其应用由于计算复杂性和所需资源而滞后 。降低的计算成本 ， 数字化数据的大量涌现和改进的算法使深度学习在当今变得可行 。
深度学习的应用深度学习成为一个有用的工具是当实践者成功地使用它在诸如文件分析和识别、 交通标志识别、医学成像和生物信息学等领域赢得竞争 。 当今 ， 数据科学家们将深度学习应用于各种实际问题：
- PayPal ， 领先的支付系统提供商使用深度学习来检测和防止欺诈 。
- Deep Instinct ， 一个创业公司 ， 使用深度学习来防范网络安全威胁 。
- 普渡大学的研究人员展示了一个使用深度学习分析图像并评估灾害损害的系统 。
- 劳埃德银行集团利用深度学习来确认致电呼叫中心的消费者身份 ， 减少欺诈 和改善运营 。
- 宾夕法尼亚州立大学的科学家和洛桑法兰西社科学院利用深度学习开发出可 以诊断植物和作物疾病的智能手机应用程序 。
- Zebra Medical Vision ， 一家创业公司 ， 通过深度学习诊断乳腺癌 。
深度学习 101在本节中 ， 我们将简要介绍神经网络和深度学习 。 有关更详细的处理 ， 请参阅本 文末尾附加阅读部分中链接内容 。
数据科学家使用神经网络指定一个问题作为节点网络 ， 或神经元 ， 以分层布置 。定向图将节点彼此连接 。 数据科学家使用一个优化算法来找到模型的最优参数集 ，例如连接节点的边缘的权重 。
人造神经网络中的神经元接受来自其他神经元的数据作为输入 。 他们用数学函数 处理数据以产生计算结果 。 数据科学家指定神经元应用于输入数据的功能类型 。
文章插图图 1：神经网络节点
在人工神经网络中 ， 数据科学家将神经元分层布置 。 人工神经网络中有三种类型的层 。 输入层中的神经元接受数据 ， 而输出层中的神经元呈现模型计算的结果 。神经网络的输入和输出层代表真实世界的事实：输入层表示数据向量 ， 输出层表示我们想要预测、分类或推断的对象 。 例如 ， 在图像分类问题中 ， 输入是位映射 图像数据的向量 ， 输出是指示图像表示什么的标签 -- 例如“猫” 。
文章插图图 2：神经网络层
隐藏层中的神经元执行中间计算 。 隐藏层是不可直接解释的抽象；它们仅仅用于 提高模型的质量 。 隐藏层可以使神经网络学习任意复杂的功能 。
如果人工神经网络具有两个或更多隐藏层 ， 则它是一个深度神经网络 。
文章插图图 3：深度神经网络
数据科学家使用术语“架构”来描述指定神经网络的不同方法 。 有许多不同的神 经网络架构 ， 其特征在于拓扑结构、信息流动、数学功能和训练方法 。 一些广泛 使用的设计包括：
稿源：(未知)
【傻大方】网址：http://www.shadafang.com/c/111J2U422020.html
标题：干货｜简单易懂的深度学习指南，不服来辩！（一）