机器学习（Python+sklearn+TensorFlow 2.0）——第2版 微课视频版 课件 08-深度学习.pptx

机器学习;1;用本章之前讨论的各种机器学习方法（包括传统的神经网络）来解决分类、回归、标注和聚类等问题，都是“人工提取特征+模型”的套路。也就是说，需要事先通过特征工程来提取合适的特征，而这并不容易，尤其是在图像、文本、语音等领域存在很大困难，难以推广。正是以神经网络为基础的深度学习为特征提取问题提供了有效的解决方法之后，机器学习才得以异军突起，得到广泛应用。

人们认识到神经网络的层数越多，处理复杂问题的能力就越强。尽管BP算法开创了多层神经网络的学习之路，但随之而来的梯度消散问题又成了拦路虎。2006年，GeofferyHinto提出了“深度信念网络”，有效缓解了BP算法导致的梯度消散问题