哪些算法涉及深度學習？

Question

到目前爲止，我知道深度學習是機器學習的一個子集。我知道一些算法，它的實現像機器學習中的KNN，樸素貝葉斯等。是否有任何特定的算法來表示和實施深度學習？

Answer 1

混合特定ML概念的「算法」，「方法」，「模型」和「實現」的概念是一種常見的錯誤概念。 ML社區中定義的大多數事物是模型或方法，而不是算法或實現。粗略地說：

• 模型是表示數學方程式/公式的形式實際，真實進程的形式。一個這樣的模型可以是最近鄰分類器或線性分類
• 方法往往是一個形式接近使用的一些數據（像例如梯度法的找到模型的參數的問題的優化，常常被用來訓練ML車型）
• 算法是指令集，經常在顯示一種需要，爲了做到精確的操作一些僞代碼來創建的一些實施給定方法。
• 終於實施是其中之一，特別是一段代碼其中實現一些抽象的算法

所以，現在，深度學習只是在ML，這還沒有明確的定義，一個籠統的概念，雖然它通常用於涉及模型，涉及數據表示的分層抽象以及培訓這些模型的方法。

最常見的DL型號深層神經網絡，換句話說神經網絡其中有多個（它是多少？的公開辯論，有人說5，其他10或30）非線性隱藏層。一些機型包括：

• 深玻爾茲曼機（DBM）
• 深自動編碼器（DAE）
• 深卷積神經網絡（DCNN）
• 迴歸神經網絡（RNN）

一般模型可以是深，並且可以有方法，算法爲深度學習或實現算法對於深度學習。一些這樣的算法是

• 對比發散（CD）這是用來列車DBMS
• 持久Constrastive發散（PCD）

。

Answer 2

深度學習是機器學習的一個子集，靈感來源於人類大腦的工作。它涉及培養大量構建一個模型的神經元，然後使用這個模型預測一些新的觀察結果。 深學習有兩個類別的學習涉及各種類型的模型（不應該被提到的算法）的如下所述：在監督下即給予大的輸入和輸出數據集學習：

1. 監督深度學習並訓練模型，然後使用這個訓練模型來預測新數據觀測的輸出。 主要有三種類型的深度學習模式

人工神經網絡的：用於迴歸和分類。示例簡單文本數據。

卷積神經網絡：用於圖像分類和計算機視覺。

經常性神經網絡：用於時間序列分析和長期短期記憶。從一種語言到另一種語言的翻譯示例

無監督深度學習：學習自己。有主要三種型號：

自組織映射：用於特徵檢測

深玻爾茲曼機：用於推薦系統

自動編碼器：用於推薦系統