【读书笔记】《深度学习之美-AI时代的数据处理与最佳实践》-1

1、学习的核心目的是改善性能

知识的四个维度：横向上为可推理、不可推理，纵向上为可统计、不可统计。传统的机器学习是在横向上的，找到举一反三的方法，向可推理但不可统计的象限进发。而在纵向上，对于可统计但不可推理的，可以通过神经网络这种特定的机器学习方法，达到提升性能的目的。

简单的说，深度学习就是一种包含多个隐含层的多层感知机。它通过组合低层特征，形成更为抽象的高层表示，用以描述被识别对象的高级属性类别或特征。

经典机器学习与深度学习比较

2、浅层学习

支持向量机（Support Vector Machine,SVM），Boosting,最大熵方法（如Logistic Regression，逻辑回归），这些机器学习模型，隐含层只有一层，甚至一层都没有（如LR算法）。

深度仅仅是手段，表示学习才是目的。

通常来说，层数更多的网络，通常有更强的抽象能力（即数据表征能力），也就能够产生更好的分类识别的结果。但是极深的架构叠加，带来的通信开销会淹没性能的提升。