深度學(xué)習(xí)最終會(huì)淘汰掉其他所有機(jī)器學(xué)習(xí)算法嗎？不是真的。俗話說：“有四個(gè)參數(shù)，我就可以裝一頭大象，有五個(gè)參數(shù)，我就可以讓它的鼻子擺動(dòng)?！崩?，著名的Python機(jī)器學(xué)習(xí)庫(kù)sciket learn不支持深

深度學(xué)習(xí)最終會(huì)淘汰掉其他所有機(jī)器學(xué)習(xí)算法嗎？

不是真的。

俗話說：“有四個(gè)參數(shù)，我就可以裝一頭大象，有五個(gè)參數(shù)，我就可以讓它的鼻子擺動(dòng)?！?/p>

例如，著名的Python機(jī)器學(xué)習(xí)庫(kù)sciket learn不支持深度學(xué)習(xí)，但它仍然被廣泛使用。包括spotify、EvernoteBooking.com網(wǎng)站此外，強(qiáng)化學(xué)習(xí)現(xiàn)在也很流行。在各類人工智能會(huì)議上，關(guān)于強(qiáng)化學(xué)習(xí)的論文比比皆是。

的新變體。換句話說，人工智能并不是關(guān)于深度學(xué)習(xí)。

當(dāng)然，強(qiáng)化學(xué)習(xí)通常與深度學(xué)習(xí)相結(jié)合，即深度強(qiáng)化學(xué)習(xí)，如alpha go。這也反映了深度學(xué)習(xí)與其他機(jī)器學(xué)習(xí)技術(shù)相結(jié)合的發(fā)展趨勢(shì)。

總之，深度學(xué)習(xí)并不能消除所有其他機(jī)器學(xué)習(xí)算法。除了深度學(xué)習(xí)，機(jī)器學(xué)習(xí)算法仍然具有強(qiáng)大的生命力。此外，深度學(xué)習(xí)還將與其他機(jī)器學(xué)習(xí)算法相結(jié)合。

深度學(xué)習(xí)和普通的機(jī)器學(xué)習(xí)有什么區(qū)別？

一張圖片顯示了這種關(guān)系。機(jī)器學(xué)習(xí)是人工智能的重要領(lǐng)域之一，而深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支。深度學(xué)習(xí)之所以近年來(lái)流行起來(lái)，是因?yàn)樗黄屏藗鹘y(tǒng)機(jī)器學(xué)習(xí)無(wú)法解決的一些問題。

機(jī)器學(xué)習(xí)的意義在于代替人工完成重復(fù)性工作，識(shí)別出統(tǒng)一的規(guī)則（模式）。但是對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)來(lái)說，特征提取的難度不?。ㄌ卣骺梢允窍袼?、位置、方向等）。特征的準(zhǔn)確性將在很大程度上決定大多數(shù)機(jī)器學(xué)習(xí)算法的性能。為了使特征準(zhǔn)確，在特征工程部分需要大量的人力來(lái)調(diào)整和改進(jìn)特征。完成這一系列工作的前提是，數(shù)據(jù)集中所包含的信息量是充分的，并且易于識(shí)別。如果不滿足這一前提，傳統(tǒng)的機(jī)器學(xué)習(xí)算法將在信息的雜亂中失去其性能。深度學(xué)習(xí)的應(yīng)用正是基于這個(gè)問題。它的深層神經(jīng)網(wǎng)絡(luò)使它能夠在雜波中學(xué)習(xí)，自動(dòng)發(fā)現(xiàn)與任務(wù)相關(guān)的特征（可以看作是自發(fā)學(xué)習(xí)的特征工程），并提取高級(jí)特征，從而大大減少了特征工程部分任務(wù)所花費(fèi)的時(shí)間。

另一個(gè)明顯的區(qū)別是他們對(duì)數(shù)據(jù)集大小的偏好。傳統(tǒng)的機(jī)器學(xué)習(xí)在處理規(guī)則完備的小規(guī)模數(shù)據(jù)時(shí)表現(xiàn)出良好的性能，而深度學(xué)習(xí)則表現(xiàn)不好。隨著數(shù)據(jù)集規(guī)模的不斷擴(kuò)大，深度學(xué)習(xí)的效果會(huì)逐漸顯現(xiàn)出來(lái)，并變得越來(lái)越好。對(duì)比如下圖所示。

人工智能是一定要學(xué)習(xí)python嗎？還會(huì)用到哪些語(yǔ)言？

作為多年的實(shí)踐者，我想說的是，Python和人工智能是兩個(gè)完全不同的概念。Python只是一種編程語(yǔ)言，而人工智能是一種科學(xué)方法，主要研究如何通過計(jì)算機(jī)實(shí)現(xiàn)與人類智能相似的設(shè)備或程序。python作為一種計(jì)算機(jī)編程語(yǔ)言，可以作為實(shí)現(xiàn)人工智能的編程工具，但它并不是唯一的選擇。

首先簡(jiǎn)單介紹一下人工智能的實(shí)現(xiàn)方法。目前，主要有兩所學(xué)校。

一個(gè)是基于神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)，也就是說，近年來(lái)，隨著谷歌的阿爾法狗獲得世界圍棋冠軍，它又流行起來(lái)了（之所以再次被使用，是因?yàn)樗餍辛艘欢螘r(shí)間，后來(lái)遇到技術(shù)瓶頸時(shí)就沉寂了）。為了促進(jìn)人工智能的發(fā)展，Google開源的tensorflow庫(kù)受到了廣大研究人員的青睞，它可以極大地促進(jìn)人工神經(jīng)網(wǎng)絡(luò)的開發(fā)和實(shí)驗(yàn)。python作為tensorflow的編程語(yǔ)言，自然成為研究人員必不可少的工具。此外，F(xiàn)acebook的開源項(xiàng)目pytorch也是一個(gè)優(yōu)秀的機(jī)器學(xué)習(xí)庫(kù)。它還使用Python作為開發(fā)語(yǔ)言，為Python添加了許多用戶。實(shí)際上，也有很多語(yǔ)言可以用于人工智能開發(fā)，比如MATLAB和C/C，它們也被廣泛使用，但是編程過程會(huì)稍微復(fù)雜一些。

另一種實(shí)現(xiàn)人工智能的方法是基于演繹邏輯的推理方法。曾經(jīng)流行的專家系統(tǒng)正是基于這一技術(shù)，正是因?yàn)榻陙?lái)，深度學(xué)習(xí)蓬勃發(fā)展，其輝煌被掩蓋。在這種人工智能實(shí)現(xiàn)模式中使用的編程語(yǔ)言是LISP和Prolog。

另外，我想提醒你，如果你想學(xué)習(xí)人工智能，僅僅能夠編程是不夠的。它需要一個(gè)堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，從線性代數(shù)，概率過程，到微積分，甚至張量分析。有了這些基礎(chǔ)知識(shí)，就可以理解和改進(jìn)各種學(xué)習(xí)算法。至于你的算法是用什么語(yǔ)言實(shí)現(xiàn)的，就簡(jiǎn)單多了。當(dāng)然，Python是一個(gè)不錯(cuò)的選擇。它比其他語(yǔ)言更簡(jiǎn)單、更容易學(xué)。關(guān)鍵是要有強(qiáng)大的圖書館支持。

神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)？

優(yōu)點(diǎn)：（1）具有自學(xué)習(xí)功能。例如，在實(shí)現(xiàn)圖像識(shí)別時(shí)，首先將多個(gè)不同的圖像模板和相應(yīng)的識(shí)別結(jié)果輸入到人工神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)通過自學(xué)習(xí)功能慢慢學(xué)習(xí)識(shí)別相似的圖像。自我學(xué)習(xí)對(duì)于預(yù)測(cè)非常重要。預(yù)計(jì)未來(lái)的人工神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)將為人類提供經(jīng)濟(jì)預(yù)測(cè)、市場(chǎng)預(yù)測(cè)和效益預(yù)測(cè)，其應(yīng)用前景十分廣闊。（2） 它具有聯(lián)想存儲(chǔ)功能。這種關(guān)聯(lián)可以通過人工神經(jīng)網(wǎng)絡(luò)的反饋網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)。（3） 它具有在高速下尋找最優(yōu)解的能力。尋找一個(gè)復(fù)雜問題的最優(yōu)解常常需要大量的計(jì)算。利用針對(duì)某一問題設(shè)計(jì)的反饋人工神經(jīng)網(wǎng)絡(luò)，充分發(fā)揮計(jì)算機(jī)的高速運(yùn)算能力，可以快速找到最優(yōu)解。缺點(diǎn)：（1）最嚴(yán)重的問題是無(wú)法解釋自己的推理過程和推理依據(jù)。（2） 當(dāng)數(shù)據(jù)不足時(shí)，神經(jīng)網(wǎng)絡(luò)就不能工作。（3） 如果把所有問題的特征化為數(shù)字，把所有的推理轉(zhuǎn)化為數(shù)值計(jì)算，結(jié)果必然是信息的丟失。（4） 理論和學(xué)習(xí)算法有待進(jìn)一步完善。擴(kuò)展信息：神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢(shì)人工神經(jīng)網(wǎng)絡(luò)獨(dú)特的非線性自適應(yīng)信息處理能力，克服了傳統(tǒng)人工智能方法在模式識(shí)別、語(yǔ)音識(shí)別、非結(jié)構(gòu)化信息處理等直觀性方面的缺陷，使其成功地應(yīng)用于實(shí)際神經(jīng)專家系統(tǒng)、模式識(shí)別、智能控制、組合優(yōu)化和預(yù)測(cè)等領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)與其它傳統(tǒng)方法的結(jié)合將促進(jìn)人工智能和信息處理技術(shù)的不斷發(fā)展。近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)在模擬人類認(rèn)知的道路上得到了更深入的發(fā)展。它與模糊系統(tǒng)、遺傳算法和進(jìn)化機(jī)制相結(jié)合，形成計(jì)算智能。它已成為人工智能的一個(gè)重要方向，并將在實(shí)際應(yīng)用中得到發(fā)展。信息幾何在人工神經(jīng)網(wǎng)絡(luò)研究中的應(yīng)用，為人工神經(jīng)網(wǎng)絡(luò)的理論研究開辟了一條新的途徑。神經(jīng)計(jì)算機(jī)的研發(fā)非常迅速，其產(chǎn)品已經(jīng)進(jìn)入市場(chǎng)。光電神經(jīng)計(jì)算機(jī)為人工神經(jīng)網(wǎng)絡(luò)的發(fā)展提供了良好的條件。神經(jīng)網(wǎng)絡(luò)已經(jīng)在許多領(lǐng)域得到了很好的應(yīng)用，但仍有許多方面有待研究。其中，將神經(jīng)網(wǎng)絡(luò)與其它技術(shù)相結(jié)合，具有分布式存儲(chǔ)、并行處理、自學(xué)習(xí)、自組織和非線性映射等優(yōu)點(diǎn)，并由此產(chǎn)生的混合方法和混合系統(tǒng)成為一個(gè)主要的研究熱點(diǎn)。由于其它方法也有各自的優(yōu)點(diǎn)，所以將神經(jīng)網(wǎng)絡(luò)與其它方法相結(jié)合可以得到更好的應(yīng)用效果。目前，該領(lǐng)域的研究工作包括神經(jīng)網(wǎng)絡(luò)與模糊邏輯、專家系統(tǒng)、遺傳算法、小波分析、混沌、粗糙集理論、分形理論、證據(jù)理論和灰色系統(tǒng)的融合。