一文看懂深度学习,深度学习算法 _云知道

【一文看懂深度学习,深度学习算法】深度学习难吗？

深度学习是比较难的，这需要持之以恒的决心。大多数人只凭一时的兴趣去学习，把热情一过就抛到脑后不管了。曾经有这样一个学生，看到我在写毛笔，就央求我教他，他说他非常喜欢写毛笔，我见他言语诚恳丶态度也比较端正，也就答应了他的请求，开始的时候还相当认真，可学到一个月的时候，他就常常缺课了，我问他为什么经常缺课？他竟然回答说他会写了，不需要再学了。
人工智能深度学习是什么？

曾被MIT技术评论列为2013年十大突破性技术（Deep Learning居首），它是以ML中的神经网略学习算法存在的。人工智能现阶段分为弱人工智能和强人工智能，神经网络摇身一变成了如今的DL 。学界对DL一般有两种看法，实际上当下科技能实现的所谓“人工智能”都是弱AI ，仅仅用起提取powerful feature；而另一种则希望将其发展成一个新的学习分支，即end-to-end）说不定就是实现未来强AI的突破口1 。
或者换句话说. 深度学习与AI 。在DL还没有火起来的时候。DL与ML两者其实有着某种微妙的关系，随着计算资源和big data的兴起，奥创那种才是强AI（甚至是boss级的），也就是我上面说的end-to-end的“深度学习的思想” 。本质上来讲，人工智能相比深度学习是更宽泛的概念，深度学习这种技术（我更喜欢称其为一种思想。
深度学习算法工程师需要学习的内容有哪些？

　1、数学知识a.微积分很多人觉得这部分知识在大学毕业后，甚至刚考完试后就应该还给老师了，因为在多年的工作中，这部分知识确实涉及的很少。但随着机器学习领域知识的快速发展，梯度计算，反向传播等方面都涉及了大量的微积分的知识，如果不了解，可能就很难了解这些算法或者方程背后的含义。但是微积分的知识众多，哪些知识才是算法工程师所需要的，或者说学到什么样程度才是可以的呢？一般情况下，积分、偏微分、泰勒公式、链式法则等基础知识，在一般情况下可以帮助你理解大部分问题，即使遇见更复杂的问题时，有了这些知识作为基础，更深入的学习也会变得更加容易。
b.概率和数理统计概率和数理统计的使用在实际工作中使用频度非常高。这方面的知识也需要算法工程师重点学习，一些基本的方程，均值，高斯分布，二项分布的知识是必须的。同时对条件概率（贝叶斯的前提），联合分布，独立分布等知识也需要有一个全面的了解。相对微积分来说，概率的学习成本低一些，可以在短时间内对这些知识加以了解，但是深入理解这些概率在实际中的应用需要开发人员在实践中摸索并总结经验。
c.线性代数线性代数在实际的使用中多是以向量和矩阵为代表。这部分在实际的使用时，需要掌握每一次运算的行列数量，保证每一行的计算符合矩阵运算的基本性质，如行列式的对其等。同时，矩阵的基本性质，转置，逆，秩等基本性质要能理解。还有对矩阵的特征值分解，奇异值分解等知识的理解对理解PCA等降维信息提供了数学基础。