深度學(xué)習(xí)和普通的機(jī)器學(xué)習(xí)有什么區(qū)別？一張圖片顯示了這種關(guān)系。機(jī)器學(xué)習(xí)是人工智能的重要領(lǐng)域之一，而深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支。深度學(xué)習(xí)之所以近年來(lái)流行起來(lái)，是因?yàn)樗黄屏藗鹘y(tǒng)機(jī)器學(xué)習(xí)無(wú)法解決的一些問(wèn)題

深度學(xué)習(xí)和普通的機(jī)器學(xué)習(xí)有什么區(qū)別？

一張圖片顯示了這種關(guān)系。機(jī)器學(xué)習(xí)是人工智能的重要領(lǐng)域之一，而深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支。深度學(xué)習(xí)之所以近年來(lái)流行起來(lái)，是因?yàn)樗黄屏藗鹘y(tǒng)機(jī)器學(xué)習(xí)無(wú)法解決的一些問(wèn)題。

機(jī)器學(xué)習(xí)的意義在于代替人工完成重復(fù)性工作，識(shí)別出統(tǒng)一的規(guī)則（模式）。但是對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)來(lái)說(shuō)，特征提取的難度不?。ㄌ卣骺梢允窍袼亍⑽恢?、方向等）。特征的準(zhǔn)確性將在很大程度上決定大多數(shù)機(jī)器學(xué)習(xí)算法的性能。為了使特征準(zhǔn)確，在特征工程部分需要大量的人力來(lái)調(diào)整和改進(jìn)特征。完成這一系列工作的前提是，數(shù)據(jù)集中所包含的信息量是充分的，并且易于識(shí)別。如果不滿(mǎn)足這一前提，傳統(tǒng)的機(jī)器學(xué)習(xí)算法將在信息的雜亂中失去其性能。深度學(xué)習(xí)的應(yīng)用正是基于這個(gè)問(wèn)題。它的深層神經(jīng)網(wǎng)絡(luò)使它能夠在雜波中學(xué)習(xí)，自動(dòng)發(fā)現(xiàn)與任務(wù)相關(guān)的特征（可以看作是自發(fā)學(xué)習(xí)的特征工程），并提取高級(jí)特征，從而大大減少了特征工程部分任務(wù)所花費(fèi)的時(shí)間。

另一個(gè)明顯的區(qū)別是他們對(duì)數(shù)據(jù)集大小的偏好。傳統(tǒng)的機(jī)器學(xué)習(xí)在處理規(guī)則完備的小規(guī)模數(shù)據(jù)時(shí)表現(xiàn)出良好的性能，而深度學(xué)習(xí)則表現(xiàn)不好。隨著數(shù)據(jù)集規(guī)模的不斷擴(kuò)大，深度學(xué)習(xí)的效果會(huì)逐漸顯現(xiàn)出來(lái)，并變得越來(lái)越好。對(duì)比如下圖所示。

神經(jīng)網(wǎng)絡(luò)屬于什么方向？

神經(jīng)網(wǎng)絡(luò)是一種重要的機(jī)器學(xué)習(xí)技術(shù)。它是深度學(xué)習(xí)的基礎(chǔ)，是目前最熱門(mén)的研究方向。學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)不僅可以幫助你掌握一種強(qiáng)大的機(jī)器學(xué)習(xí)方法，還可以幫助你更好地理解深度學(xué)習(xí)技術(shù)。

人工智能神經(jīng)網(wǎng)絡(luò)中的基礎(chǔ)概念有哪些？

通過(guò)人體系統(tǒng)建模，實(shí)現(xiàn)了人工智能技術(shù)的重大突破。盡管人工神經(jīng)網(wǎng)絡(luò)（anns）只是與人類(lèi)神經(jīng)元實(shí)際功能松散耦合的數(shù)學(xué)模型，但其在解決復(fù)雜模糊的現(xiàn)實(shí)問(wèn)題中的應(yīng)用卻意義深遠(yuǎn)。此外，在神經(jīng)網(wǎng)絡(luò)中建立大腦結(jié)構(gòu)深度的模型為學(xué)習(xí)更有意義的數(shù)據(jù)表示開(kāi)辟了廣泛的可能性。在圖像識(shí)別和處理方面，CNN視覺(jué)系統(tǒng)復(fù)雜的、空間不變的細(xì)胞的啟發(fā)也極大地改善了我們的技術(shù)。

只要人類(lèi)的感知能力超過(guò)機(jī)器，我們就能從理解人類(lèi)系統(tǒng)的原理中獲益。人類(lèi)對(duì)感知任務(wù)非常精通，人類(lèi)理解與人工智能現(xiàn)狀的反差在機(jī)器聽(tīng)覺(jué)領(lǐng)域尤為明顯?？紤]到人類(lèi)系統(tǒng)在視覺(jué)處理上的優(yōu)勢(shì)，我們借鑒了神經(jīng)網(wǎng)絡(luò)機(jī)器聽(tīng)覺(jué)的相似過(guò)程。也許最抽象的聲場(chǎng)是我們?nèi)绾慰创祟?lèi)。盡管信號(hào)處理問(wèn)題的解決方案必須在強(qiáng)度、頻譜和時(shí)間屬性等參數(shù)的較低水平上進(jìn)行操作，但最終目標(biāo)往往是認(rèn)知問(wèn)題：以我們感知聲音的方式轉(zhuǎn)換信號(hào)，包括改變。例如，如果您想以編程方式更改錄制的語(yǔ)音的性別，在定義其較低級(jí)別的特征之前，有必要使用更有意義的術(shù)語(yǔ)來(lái)描述問(wèn)題。說(shuō)話(huà)人的性別可以看作是一種認(rèn)知屬性，它由許多因素組成：聲音的一般音調(diào)和音色、發(fā)音的差異、詞語(yǔ)和語(yǔ)言選擇的差異以及對(duì)這些屬性與性別關(guān)系的共同理解。

人工智能專(zhuān)業(yè)包含神經(jīng)網(wǎng)絡(luò)么，考研東北大學(xué)，學(xué)校只有人工智能專(zhuān)業(yè)沒(méi)有神經(jīng)網(wǎng)絡(luò)專(zhuān)業(yè)，我該報(bào)人工智能么？

人工智能專(zhuān)業(yè)的主要研究?jī)?nèi)容是如何利用機(jī)器智能（主要通過(guò)計(jì)算機(jī)技術(shù)）實(shí)現(xiàn)人的問(wèn)題獲取、問(wèn)題推理和問(wèn)題解決。目前的研究領(lǐng)域包括通過(guò)機(jī)器視覺(jué)感知外界環(huán)境、機(jī)器聽(tīng)覺(jué)、機(jī)器觸覺(jué)環(huán)境數(shù)據(jù)采集等。，通過(guò)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)對(duì)數(shù)據(jù)進(jìn)行分析和推理（基于神經(jīng)網(wǎng)絡(luò)模型的相關(guān)方法的研究是一個(gè)主要的研究方向）。問(wèn)題的解決主要依靠計(jì)算機(jī)科學(xué)技術(shù)的軟硬件設(shè)計(jì)和軟件工程的算法實(shí)現(xiàn)。最后通過(guò)機(jī)電工程機(jī)械設(shè)計(jì)自動(dòng)化設(shè)備系統(tǒng)解決了這一問(wèn)題。東北大學(xué)已進(jìn)入甲級(jí)學(xué)科，包括材料科學(xué)、計(jì)算機(jī)科學(xué)與技術(shù)、軟件工程和控制科學(xué)。因此，從總體上看，東北大學(xué)在人工智能方向上具有較強(qiáng)的實(shí)力。

人工智能專(zhuān)業(yè)是智能科學(xué)與技術(shù)的一個(gè)分支，神經(jīng)網(wǎng)絡(luò)只是目前智能領(lǐng)域機(jī)器學(xué)習(xí)和深度學(xué)習(xí)應(yīng)用技術(shù)的典型模式。未來(lái)的發(fā)展將會(huì)有更多的模式和技術(shù)。因此，首先，神經(jīng)網(wǎng)絡(luò)不是一個(gè)專(zhuān)業(yè)方向，其次，在相關(guān)課程中學(xué)習(xí)并不比是否包含在內(nèi)更難，將來(lái)一定會(huì)發(fā)生。

統(tǒng)計(jì)和概率論應(yīng)該是包括人工智能在內(nèi)的智能科學(xué)學(xué)習(xí)和發(fā)展最具影響力的基礎(chǔ)學(xué)科，因?yàn)槟壳叭斯ぶ悄艿闹饕较蚴菣C(jī)器學(xué)習(xí)和基于人類(lèi)經(jīng)驗(yàn)大數(shù)據(jù)的深度學(xué)習(xí)。