今天作為機器學習這系列的收尾,我們來聊聊深度學習與機器學習的差異,以及為什麼現今的機器學習/深度學習發展跟以往相比能夠在結果上有如此巨幅的成長。
前兩天我們介紹了機器學習以及類神經網路的基礎核心概念以及應用,而深度學習則是在機器學習裡面的一個子集合。
那麼深度學習與一般機器學習的差異在哪裡呢?
第一個最簡單的觀念,我們可以說深度學習,基本上就是用了比較多層的神經網路層,越深則表示越多層的神經網路層,而越多層的神經網路層一般來說則代表著越強大的運算能力與效果 (當然可能花費的時間也隨之增長)。
圖源
此外,深度學習著重在讓機器自己去做特徵提取的部分,也就是不再依賴人類手工做特徵提取而是交由機器自己去找出這些特徵,這也是為什麼許多人都說深度學習的原裡有點難解釋,裡面的運作有如黑盒子一般然而效果卻又總是出奇的令人滿意。
機器學習 VS 深度學習
來源
前面有提到,機器學習的概念在1980年已經成形,那麼為什麼在30~40年後會突然蓬勃發展呢?
簡單的一句話解釋就是: 時空背景不同。
從上面的比較表我們可以看出,深度學習非常的仰賴大量的資料作為訓練的基礎,而這過去20年間大數據 (Big Data) 的蓬勃發展以及儲存空間遠高於過往的水平,使得大量的資料取得相較於以往容易的許多,這成為了訓練深度學習模型的最基本的底蘊;軟體部分,各種新穎的理論以及新穎的演算法層出不窮;再加上硬體的快速發展, 圖形處理器 (Graphics Processing Unit, GPU) 的普及,使得深度學習所需依賴的強大硬體設備有了深厚的底子做支撐。種種因素一起將深度學習的發展與成效一口氣推到高峰;再加上前面講古時所說到的辣個一戰封神的拉風男子藤原佐為AlphaGo在全世界的注目下運用了包含深度學習的演算法成功的以四勝一負的戰績戰勝人類棋王,從此讓21世紀正式進入大AI時代。
我們花了許多天在講解AI的一些歷史演進以及一些簡單的演算法介紹,目的是希望讓對這方面不熟悉的人能夠有一些初步的基本觀念,那麼這系列的介紹到此正式結束,明天開始,我們開始聊聊AI到底是如何應用在作曲上的。