本文主要是介绍机器学习-Learning Deep Architectures for AI -1，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
随着计算机信息的发展,希望用计算机来model真实的物理过程，为了更精确地分析物理过程，计算机中关于物理过程的输入信息越多越好。让计算机储存/读取物理过程的所有信息是及其艰巨的，因此使用learning algorithm来不断学习获取物理过程的大部分有用信息。
人工智能方面，寻找合适的学习算法是最大的挑战。
我们假设为了表达复杂的物理过程,需要非常复杂的数学模型，例如高度非线性。面对非常复杂的问题时，很自然的想法即将复杂的原问题分解为多个子问题。以图像识别为例，从原始像素到人脸识别需要经历:
- Layer 1. 识别边缘
- Layer 2. 识别复杂但局部的特征
- Layer 3. 将局部特征进行组合,得到整体识别
Deep Architecture Learning 的目标即如何在尽可能没有人工参与的情况下实现从较低level的识别到较高level的识别。（不需要人工提供大量的训练样本，即无监督学习。）
归纳： AI 学习的必要条件
能够学习高度复杂多变的函数，函数的复杂程度可能远高于训练样本的个数；
关于该复杂函数的各层信息较少时，能够进行有效学习；
当训练集的样本量非常大时，控制计算时间，i.e.计算时间与训练样本量近似线性关系；
可以实现半监督学习，也就是训练样本并非完全是right associated labeled；
可以进行多任务学习；
实现高度无监督学习。
Shallow architecture 的局限性
设用k-1个层表示复杂函数 f(x) 的运算时间为 tk−1 ,用k层表示的的运算时间为 tk
这篇关于机器学习-Learning Deep Architectures for AI -1的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
