目的
为避免一学就会、一用就废，这里做下笔记
说明
深度学习
是什么
- 从范畴看：深度学习是机器学习的研究分支
- 从内涵看：深度学习，即深度神经网络学习，它基于神经网络模型，通过多层神经网络中巨大的参数来存储复杂数据的特征，从而实现较传统机器学习更高的智能。
深度学习、神经网络、机器学习的关系：
- 神经网络，是机器学习的范畴，是其中的一种算法框架。除此之外，机器学习还有大量其他算法框架：决策树算法、线性回归算法、逻辑回归算法等
- 深度学习，是机器学习的研究分支，它完全基于神经网络算法框架。没有神经网络，就没有深度学习。
深度学习的深度，指神经网络的层数较多。但具体多少层算深度学习，并无标准。为简单理解，1-3算浅层，4-10算中层，10以上算深层
为什么
深度学习用来解决传统机器学习的几个重要问题：
1）传统ML特征提取依赖人工，而人工工作量巨大，无法实现端到端 的学习。
2）传统ML对非结构化数据（如图像、音视频）的分析能力较弱
3）传统ML的模型容量有限，难以拟合高度复杂的函数，如图像生成、复杂游戏决策等
4）传统ML难以有效处理可变长度的序列，并捕捉元素间的长期关系，如机器翻译、股票价格预测
5）传统ML难以走向通用智能
端到端的说明 ：
深度学习的输入端，并非理想情况的原始数据，也是要做简单处理的（如归一化），只是把原本最复杂耗时的特征提取步骤放到了神经网络内部。
深度学习与传统ML主要应用场景对比
| 深度学习 | 传统机器学习 |
|---|---|
| 1. 非结构化感知问题：计算机视觉、语音、NLP | 1. 结构化表格数据：金融风控、精准营销（XGBoost常胜） |
| 2. 超高维复杂模式：图像生成、艺术风格迁移 | 2. 可解释性要求高的场景：医疗诊断、信贷审批（需要决策树规则） |
| 3. 序列与交互问题：机器翻译、对话系统、推荐系统 | 3. 数据量小、特征定义清晰：许多工业控制、科学研究问题 |
| 4. 端到端系统：自动驾驶、机器人控制 | 4. 计算资源严格受限：嵌入式设备、实时边缘计算 |
| 5. 存在大型基础模型的任务：各类AIGC应用 | 5. 需要快速原型验证：传统ML开发周期更短 |
怎么办
深度学习步骤和传统ML相似，两者对比如下
