使用我们的合作伙伴Salesforce，将销售，营销和客户服务统一。加速您的成长！
L’深度学习 （（深度学习）是一个子分支 机器学习 基于由几层组成的人工神经网络（深神经网络）。它允许机器学习 从大量数据中 通过捕获复杂的模式而无需明确的人类干预。
为什么深度学习至关重要？
深度学习是人工智能最大进步的基础，并为许多应用提供了许多应用：
- 图像和视频识别 （例如医学诊断，计算机视觉，安全分析）
- 自然语言处理（NLP） （例如，chatgpt，自动翻译，感觉分析）
- 图像和文本的产生 （例如，dall·e，稳定扩散，LLM模型）
- 自动驾驶汽车 （例如，传感器的解释，智能导航）
- 个性化建议 （例如Netflix，Amazon，YouTube）
技术问题
- 大量数据需求 📊
- 深度学习需要 大量注释数据 高效。
- 用很少的数据学习（几乎没有学习）这仍然是一个挑战。
- 计算功耗 ⚡
- 模型培训基于 GPU/张量处理单元（TPU），消耗大量能量。
- 优化推理 对于大型部署至关重要。
- 模型的解释性 🔍
- 深度神经网络通常被认为是 “黑匣子”。
- 方法可解释的AI（XAI） 尝试提高其解释性。
- IA偏见和道德 ⚖️
- 这些模型可以整合培训数据中存在的偏见。
- AI模型的审核和调节是主要挑战。
深度学习与机器学习：有什么区别？
| 外貌 | 机器学习 | 深度学习 |
|---|---|---|
| 算法 | 决策树，SVM，回归 | 神经网络 |
| 数据需要 | 平均的 | 很高 |
| 解释性 | 更多解释性 | 很难解释 |
| 计算的力量 | 平均的 | 很高 |
| 功能自动化 | 部分的 | 是的（学习表示） |
深度学习的未来
- 开发更经济的模型 在计算和数据中。
- 在 – 板AI上 将深度学习整合到移动设备和物联网设备中。
- 结合不同方法的混合模型 （符号 +深度学习）。
- 改进的解释性 为了在关键领域提供更多透明的采用。
