哪种算法涉及深度学习？

Question

到目前为止，我知道深度学习是机器学习的一个子集。我知道一些算法，它的实现如KNN，Naive bayes等机器学习。是否有任何特定的算法来表示和实施深度学习？

Answer 1

混合特定ML概念的“算法”，“方法”，“模型”和“实现”的概念是一种常见的误解。 ML社区中定义的大多数事物都是模型或方法，而不是算法或实现。粗略地说：

• 模型是以数学方程/公式的形式表示表示实际的，真实的过程的形式。其中一个模型可以是最近邻分类器或线性分类器
• 方法通常是一种形式来解决问题使用某些数据查找模型的参数（例如梯度方法的优化，通常用于训练ML模型）
• 算法是一组指令，通常在某些伪代码中显示了为创建某些实现而需要执行的确切操作给定的方法。
• 最后实施是一个特别的代码，它实现了一些抽象算法

所以现在，深度学习只是ML中的一般概念，它还没有明确的定义，尽管它常常用于涉及涉及数据表示的分层抽象的模型< / strong>以及培训此类模型的方法。

最常见的DL模型是深度神经网络，换句话说神经网络有多个（多少？这是公开辩论，有些人说5，其他10或30）非线性隐藏层。一些模型包括：

• Deep Boltzmann Machines（DBM）
• 深度自动编码器（DAE）
• 深度卷积神经网络（DCNN）
• 回归神经网络（RNN）

一般模型可以深，并且可以有 深度学习或 的方法，算法 >算法 深度学习。一些这样的算法是

• 对比分歧（CD）
• 持久性约束分歧（PCD）

用于训练DBM 的内容。

Answer 2

深度学习是受人类大脑工作启发的机器学习的一个子集。它涉及训练大量神经元，这些神经元构建成一个模型，然后使用该模型预测一些新的观察结果。 深度学习有两类学习，涉及各种类型的模型（不应该被称为算法），如下所述：

1. 监督深度学习：在监督下学习，即提供大量输入和输出数据集并训练模型，然后使用此训练模型预测新数据观察的输出。 主要有三种类型的深度学习模型

人工神经网络 ：用于回归和分类。示例简单文本数据。

卷积神经网络： 用于图像分类和计算机视觉。

回归神经网络： 用于时间序列分析和长短期记忆。从一种语言到另一种语言的翻译示例。

1. 无监督深度学习：自学。主要有三种型号：

自组织地图： 用于功能检测

Deep Boltzmann Machines： 用于推荐系统

自动编码器： 用于推荐系统

Answer 3

以下这些算法与深度学习有关：

深度学习可以定义为四种基本网络架构之一中具有大量参数和层的神经网络。

• 无监督的预训练网络。
• 卷积神经网络。
• 递归神经网络。
• 递归神经网络。