深度学习的总体框架及应用场景分析

随着计算机处理器速度越来越快、存储器容量越来越大以及数据表达的形式多样化，各类大小事务都能使用深度学习进行实时数据分析。

深度学习是利用多层感知机学习模型来对数据进行有监督或者无监督学习。模型中的层是由多段非线性数据变换构成的，层次越高，对数据特征的表达就越抽象。

图1.1说明了深度学习的金字塔结构。在底部是数据学习的两种核心形式：有监督学习和无监督学习。核心要素非线性变换位于金字塔结构的中心，金字塔上部是各种各样的神经网络。

图1.1 深度学习金字塔

1）有监督学习：训练数据包含了已知结果，根据这些结果来训练模型。

2）无监督学习：训练数据不含任何已知结果，在这种情况下，算法需要自身发现数据间的关系。(www.xing528.com)

当使用R来实现深度学习时，采用的总体方法如图1.2所示。无论开发了什么特定的模型，最终还是会回到这个基本框架上来。数据输入到模型中，并且被多个非线性层过滤，最后一层由分类器构成，这个分类器决定了感兴趣的目标所属的类别。

图1.2 深度学习总体框架

深度学习的目的在于预测一个响应变量（分类变量）。这在某种程度上类似于线性回归做的事情。在线性回归中，一个线性模型使用一组独立变量（亦称属性或者特征）来预测响应变量。尽管如此，传统的线性回归模型并不被认为是深度的。

其他流行的学习方法，如决策树、随机森林以及支持向量机，都不是深度结构。决策树和随机森林使用的都是原始输入数据，对这些数据它们不做变换也不产生新的特征；支持向量是由一个核和一个线性变换构成的模型。