本文对接触到的深度学习相关内容做一个梳理。
一、深度学习
1. 深度学习是什么
深度学习（Deep Learning）是机器学习（Machine Learning）的一个研究方向，而机器学习属于人工智能（AI， Artificial Intelligence）的范畴，人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
三者的关系可以参考https://www.geeksforgeeks.org/getting-started-machine-learning/提供的一张图如下。
2. 机器学习划分
机器学习按照学习方式又可以划分为无监督学习、半监督学习、监督学习以及强化学习。深度学习中既有无监督学习算法（如GAN）、也有有监督学习算法（如CNN），由于近年来数据、算法、算力的快速发展，已单独形成一个研究分支。
2.1 无监督学习
数据没有标签，算法自行学习数据规则
如：聚类（K-Means），降维方法（PCA），深度学习（GAN）
2.2 半监督学习
数据部分有标签，算法包括一些对常用监督式学习算法的延伸，通过对已标记数据建模，在此基础上，对未标记数据进行预测。
分为归纳式和直推式，区别在于有无测试集
如：图论推理算法（Graph Inference）或者拉普拉斯支持向量机（Laplacian SVM）
2.3 监督学习
数据都有标签
如：KNN SVM 贝叶斯 决策树 XGBoost 随机森林 人工神经网络 深度学习（CNN）
2.4 强化学习
特点：智能体通过不断和环境交互，获得相应的奖惩，进而不断学习
如：Q_learning， Action-Critic
二、深度学习发展
深度学习本质上是神经网络的一种。神经网络技术起源于上世纪五六十年代，当时叫感知机（perceptron），包含有输入层、输出层和隐藏层。含多个隐藏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。
1. 发展历程
深度学习的发展历程可以参考下图，由单层感知机逐渐发展出RNN, CNN等。
2. 主流研究框架
研究框架如下图有很多，目前主流的是Google的TensorFlow，FaceBook的Pytorch，TensorFlow是一种非常强大和成熟的深度学习库，对生产部署方面比较友好，Pytorch由于其类python代码及动态图及强大的社区，支持快速和动态训练，不过随着版本的迭代，两者功能也都越来越完善，更多内容可以参考：TensorFlow与PyTorch之争，哪个框架最适合深度学习。
3. 解决什么问题
深度学习主要解决两大类问题：分类和回归
如：
- 房价预测问题（回归）
- 目标检测（分类+回归）
4. 实际应用
深度学习现如今在我们生活中的应用随处可见，已经融入到了我们生活各个方面，如：
-
手机人脸解锁、以及人脸安全验证中用到的人脸识别技术， 车牌识别系统等（计算机视觉）；
-
智能音箱的语言识别功能，自动翻译等（自然语言处理）
-
各种软件的自动推荐功能，如商品、视频等自动推荐（推荐系统）
-
自动驾驶、智能机器人、工业自动检测、医学图像辅助检测、量化金融等等
最近微软推出的的ChatGPT，以及FaceBook推出的SAM（Segement anything）更是对我们的生活工作带来了更大的变化。
标签：学习,监督,---,算法,深度,CNN,数据 From： https://www.cnblogs.com/xiaxuexiaoab/p/17136618.html