深度學(xué)習(xí)最終會淘汰掉其他所有機器學(xué)習(xí)算法嗎？謝謝。我可以確切地說，不！也許首先，為什么深度學(xué)習(xí)被稱為“深度”？從當前技術(shù)的角度來看，深度學(xué)習(xí)結(jié)合底層特征，形成更抽象的屬性類別或特征的高層表示，從而發(fā)現(xiàn)

深度學(xué)習(xí)最終會淘汰掉其他所有機器學(xué)習(xí)算法嗎？

謝謝。我可以確切地說，不！也許首先，為什么深度學(xué)習(xí)被稱為“深度”？從當前技術(shù)的角度來看，深度學(xué)習(xí)結(jié)合底層特征，形成更抽象的屬性類別或特征的高層表示，從而發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。

深度學(xué)習(xí)屬于前者，它有很多參數(shù)需要調(diào)整，是一個非常大的參數(shù)模型。一般的機器學(xué)習(xí)模型屬于后者，它需要強大的特征來分離數(shù)據(jù)，最終得到不同的類別。

一般來說，目前深度學(xué)習(xí)確實有很多優(yōu)勢。例如，對我來說，這是非常簡單和暴力的。它不需要很長時間來調(diào)整參數(shù)，清理數(shù)據(jù)，并把它扔進去看看結(jié)果。如果不好，調(diào)整參數(shù)繼續(xù)嘗試。一般的機器學(xué)習(xí)模型不是這樣的。它需要大量的特征工程。但是，深度學(xué)習(xí)有一個問題，到目前為止還沒有解決的工程。它是一個可解釋性差的“黑匣子”，導(dǎo)致系統(tǒng)出現(xiàn)錯誤，無法快速找出原因或追溯以前的錯誤。所以在工程中，我們實際上更喜歡特征少的工程和解釋性強的模型來獲得更好的結(jié)果。我們期待著深學(xué)在未來科學(xué)技術(shù)的進一步發(fā)展。

我將在這里發(fā)表所有關(guān)于算法、機器學(xué)習(xí)和深度學(xué)習(xí)的有趣文章。

橫搖是水深測量的測量單位。在水深測量技術(shù)術(shù)語中，橫搖可以解釋為測量船的“橫搖”。

2. Roll（routing over lossy and low power networks）低功耗路由算法。

3. 同時，roll是IETF為研究低功耗IPv6網(wǎng)絡(luò)而成立的三個工作組之一。另外兩個工作組是6LoWPAN（低功耗有損網(wǎng)絡(luò)上的IPv6）和core（受限r(nóng)estful環(huán)境）。

roll是什么計量單位？

Dropout本身是人類設(shè)定的一個常量，但不可否認，它是一個非常有用的算法。輟學(xué)可以使網(wǎng)絡(luò)學(xué)習(xí)到更多的內(nèi)容，增強網(wǎng)絡(luò)的泛化能力，防止過度擬合，這也是alexnet在過去12年中取得成功的一個重要原因。但目前，隨著批量歸一化的出現(xiàn)，它可以使網(wǎng)絡(luò)更好地防止過擬合，因此一般建議盡量使用BN。此外，當數(shù)據(jù)量較小時，不建議退出。

同時，建議關(guān)注Ibn網(wǎng)唐曉鷗先生的最新研究成果，將in和BN相結(jié)合，使CNN更準確，更具概括性。具體內(nèi)容可以關(guān)注我的標題，這是我以前的文章介紹的。