深度学习定义 编辑

深度学习是一种人工智能模仿人脑处理数据和创造决策模式的功能。深度学习是机器学习 在人工智能中，网络能够从非结构化或无标记的数据中无监督地学习。也称为深度神经学习或深度神经网络。

关键要点

• 深度学习是一种人工智能功能，它模仿人脑处理数据的工作方式，用于探测物体、识别语音、翻译语言和做出决策。
• 深度学习人工智能能够在没有人监督的情况下，从非结构化和未标记的数据中学习。
• 深度学习是机器学习的一种形式，可以用来帮助发现欺诈或洗钱等功能。

深度学习的工作原理

随着数字时代的到来，深度学习也在不断发展，数字时代带来了世界各地各种形式的数据爆炸式增长。这个数据，简称为大数据，来自社交媒体，互联网搜索引擎，电子商务平台和在线影院等。这大量的数据很容易访问，可以通过金融科技 像云计算这样的应用。

然而，这些通常是非结构化的数据非常庞大，人类可能需要几十年的时间才能理解并提取相关信息。公司意识到，解开这些丰富的信息可以带来难以置信的潜力，并越来越多地适应人工智能系统的自动化支持。

深度学习揭示了大量的非结构化数据，这些数据通常需要人类几十年的时间才能理解和处理。

深度学习与机器学习

用于处理大数据的最常见人工智能技术之一是机器学习，这是一种自适应算法，可以根据经验或新添加的数据获得越来越好的分析和模式。

如果一家数字支付公司想要检测其系统中欺诈的发生或潜在情况，它可以为此目的使用机器学习工具。建立在计算机模型中的计算算法将处理数字平台上发生的所有事务，在数据集中找到模式，并指出模式检测到的任何异常。

深度学习是机器学习的一个子集，它利用人工神经网络的层次结构来实现机器学习过程。人工神经网络就像人脑一样建立起来，神经元节点像网络一样连接在一起。传统的程序以线性的方式建立数据分析，而深度学习系统的分层功能使机器能够以非线性的方式处理数据。

电子产品制造商松下一直在与大学和研究中心合作，开发与计算机视觉相关的深度学习技术。

特别注意事项

检测欺诈或洗钱的传统方法可能依赖于随后发生的交易量，而深入学习的非线性技术将包括时间、地理位置、IP地址、零售商类型以及可能指向欺诈活动的任何其他特征。神经网络的第一层处理原始数据输入，如事务量，并将其作为输出传递给下一层。第二层处理前一层的信息，包括附加信息，如用户的信息IP地址 并传递其结果。

下一层获取第二层的信息，包括原始数据，如地理位置，并使机器的模式更好。这种情况在神经元网络的各个层次都会持续。

深入学习的例子

使用上面提到的欺诈检测系统和机器学习，可以创建一个深入学习的例子。如果机器学习系统创建了一个模型，模型中的参数建立在用户发送或接收的美元数量上，那么深度学习方法就可以开始建立在机器学习提供的结果上。

它的每一层神经网络都建立在前一层的基础上，添加了数据，如零售商、发件人、用户、社交媒体事件、信用评分、IP地址，以及一系列其他功能，如果由人类处理，这些功能可能需要数年才能连接在一起。深度学习算法不仅可以从所有事务中创建模式，还可以知道模式何时发出欺诈调查的信号。最后一层将一个信号传递给分析员，分析员可以冻结用户的帐户，直到所有未决的调查完成。

深度学习在所有行业都被用于许多不同的任务。使用图像识别的商业应用程序，开源 拥有消费者推荐应用程序的平台，以及探索新疾病药物再利用可能性的医学研究工具，是深度学习整合的几个例子。

常见问题

什么是深度学习？

深度学习，也称为深度神经网络或神经学习，是人工智能（AI）的一种形式，旨在复制人脑的工作方式。它是机器学习的一种形式，具有在非线性决策过程中运行的函数。当在没有监督的情况下对非结构化数据做出决策时，就会发生深度学习。对象识别、语音识别和语言翻译是通过深度学习完成的一些任务。

深度学习是如何工作的？

作为机器学习的一个子集，深度学习使用层次神经网络来分析数据。神经元代码在这些层次神经网络中连接在一起，类似于人脑。与机器中的其他传统线性程序不同，深度学习的层次结构允许它采用非线性方法，跨一系列层处理数据，每个层将集成后续的附加信息层。

什么是深度学习的例子？

当使用深度学习来检测欺诈时，它将利用几个信号，例如IP地址、信用评分、零售商或发送者等等。在其人工神经网络的第一层，它将分析发送量。在第二层中，它将建立在这些信息的基础上，并包括IP地址，例如。在第三层，信用评分将添加到现有信息中，依此类推，直到做出最终决定。