深度学习打开新兴领域 2018年或成科研利器

2012年以来，随着Hinton、Lecun和Andrew NG对深度学习在机器学习方面的应用取得了显著的提升效果，深度学习成为了计算机科学的一个新兴领域。Gartner预测，到2018年，80%的数据科学家会将深度学习纳入其工具包中。

　　Gartner预测，到2018年，80%的数据科学家会将深度学习纳入其工具包中。此外，Gartner还预测，到2019年，深度学习将成为实现需求，欺诈和故障预测最佳性能的关键驱动因素。

　　对此Gartner研究副总裁Alexander Linden分析道：“通过允许数据的中间表示，深度学习从而扩展了机器学习。深度学习最终是解决复杂的，且拥有大量数据的业务问题。例如，在解读医学图像以便及早诊断癌症方面，深度学习可以给出很好的结果。深度学习也有助于改善视力障碍人士的视力，控制自动驾驶汽车，或者认识和理解某个人的言论。”

　　正如上述所言，深度学习可以提高企业开展业务的能力，最重要的是通过模式或数据观察建立知识的能力。此外，深度学习系统随着时间的推移变得越来越完善，功能越来越强大，并终将比专家团队要好得多。

　　虽然许多企业只是用信用评分作为决策的依据，但一些企业也使用深度学习工具帮助决策。值得信赖的深度学习系统可能会找出潜在客户偿还贷款能力的其他因素或模式，可以弄清楚客户的种族，性取向，甚至是否将要离婚。

　　说了那么多的深度学习，那么深度学习究竟是什么？它和机器学习之间又有什么区别呢？简单地说，机器学习通常会处理人工智能的技术应用，例如即时预测。而深度学习为理解人们大量数据的模式奠定了基础。

　　深度学习的概念源于人工神经网络的研究，由Hinton等人于2006年提出，源含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

　　2012年以来，随着Hinton、Lecun和Andrew NG对深度学习在机器学习方面的应用取得了显著的提升效果，深度学习成为了计算机科学的一个新兴领域。

　　随着大数据的出现和大规模计算能力的提升，深度学习已然成为最活跃的计算机研究领域之一，在不断的研究中，深度学习的局限性也日益呈现出来，主要表现为：第一，缺乏理论支持；第二，缺乏短时记忆能力；第三，缺乏执行无监督学习的能力。

　　例如在图像分类方面，微软研究团队指出他们的系统在ImageNet 2012分类数据集中的错误率降低至4.94%。而在一些实际应用场景中，业界已经充分展现了深度学习在人脸识别领域取得的成就。

　　尽管就目前来说，深度学习的应用非常成功，在人脸识别、目标检测等研究领域都取得了很大进展，其识别准确率甚至超过人类，但是深度学习的理论进展却很小。2006年以来，Hinton、Yoshua Bengio、Yann Lecun等人的相关工作，奠定了深度学习在机器学习中的地位。之后，深度学习在理论上发展非常缓慢，近年来的研究成果也并没有能够很清楚地解释理论问题。

　　但这并不代表深度学习的发展已走到尽头。对于以下几个方面的研究，对深度学习的继续发展具有重大意义。一是开发深度学习的演绎能力；二是提升综合处理问题的能力；三是减少对硬件的依赖。由此来看，科学家将在深度学习方面还要下很多功夫。