第40课：深度学习的愿景、问题、应用和资料

深度学习的愿景

和机器学习相比，深度学习的好处非常明显，或者说“看起来”非常明显——用上深度学习，就不需要特征工程和调参啦！

因为本课的主旨是讲解统计学习模型的原理，所以很少涉及到特征工程，也没有专门讲过在实际应用中的模型调参。

自己动过手的同学想必知道，在实践中，模型、算法都是工具，支持库封装好了，直接调用对应接口就可以。最难的，恰恰是调参（超参数）和特征工程。

注意：特征工程指根据领域知识生成样本特征的过程，一般包括特征选择、特征获取、特征处理等步骤。

在狭义的机器学习领域（统计学习模型），特征工程以手工为主。现实的样本属性可能有几百几千（甚至更多）个，要从里面选出最具代表性的一部分作为特征，主要依据领域知识和既往经验，其他的工程性方法（降维等）只是起辅助作用。

而领域知识和经验与具体业务紧密相关，恰恰是大多数程序员不熟悉的。这就导致了在实践中总是存在着无法完全释放样本数据潜力的问题。

而调参，在超参数稍多（比如多于三个）以后，以何种策略使几种超参数组合达到最佳，则基本上可以算是一门艺术了。

当深度学习出现后，这两件让机器学习工程师头疼的任务，看起来好像消失了——

• 首先，NN 只有网络结构没有超参数，不需要调参；

• 其次，NN 训练的结果就是获得各个神经元的权值，因此也可以说 NN 具备了自动察觉特征重要程度的机制，可以自动完成特征筛选&#

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！