个人工具
视图

“深度学习”的版本间的差异

来自China Digital Space

跳转至: 导航, 搜索
第5行: 第5行:
 
{{#external_value:extract }}[https://zh.wikipedia.org/wiki/{{FULLPAGENAME}} (维基百科{{FULLPAGENAME}})]
 
{{#external_value:extract }}[https://zh.wikipedia.org/wiki/{{FULLPAGENAME}} (维基百科{{FULLPAGENAME}})]
  
<blockquote>深度学习是人工智能的一个子集,能够自动学习数据中的复杂模式。深度学习算法的灵感来自于大脑从经验中学习的能力,它们通常使用神经网络来实现——计算系统的结构与大脑非常相似。事实上,如果不使用先进的水印策略,就不可能准确区分由人类头脑所写的文本和由高度可并行的人工神经网络所产生的文本,后者的神经连接数要少得多。
+
<blockquote>深度学习是人工智能的一个子集,能够自动学习数据中的复杂模式。深度学习算法的灵感来自于大脑从经验中学习的能力,它们通常使用[[神经网络]]来实现——计算系统的结构与大脑非常相似。事实上,如果不使用先进的水印策略,就不可能准确区分由人类头脑所写的文本和由高度可并行的[[人工神经网络]]所产生的文本,后者的神经连接数要少得多。
  
  
传统机器学习算法和深度学习算法之间的一个关键区别是,深度学习算法可以扩展到更大的数据集,它们可以从非结构化或未标记的数据中学习。这使得它们非常适合于自然语言处理(NLP, natural language processing)等任务,这也是LLMs的用途。它现在被认为是人工智能的前沿,因其有可能执行需要创造力、推理和理解自然语言的任务。<ref>[https://mp.weixin.qq.com/s/c4-hf7dUDp3XCGueyUaxWA 胡泳|“万模大战”下的冷思考:大型语言模型和人工智能的未来]</ref></blockquote>
+
传统机器学习算法和深度学习算法之间的一个关键区别是,深度学习算法可以扩展到更大的数据集,它们可以从非结构化或未标记的数据中学习。这使得它们非常适合于[[自然语言处理]](NLP, natural language processing)等任务,这也是LLMs的用途。它现在被认为是人工智能的前沿,因其有可能执行需要创造力、推理和理解自然语言的任务。<ref>[https://mp.weixin.qq.com/s/c4-hf7dUDp3XCGueyUaxWA 胡泳|“万模大战”下的冷思考:大型语言模型和人工智能的未来]</ref></blockquote>
  
 
=== 数字时代相关文章 ===
 
=== 数字时代相关文章 ===

2023年6月17日 (六) 22:31的版本

深度学习(英語:deep learning)是机器学习的分支,是一種以人工神經網路為架構,對資料進行表徵學習的算法。 深度学习中的形容词“深度”是指在网络中使用多层。 早期的工作表明,线性感知器不能成为通用分类器,但具有非多项式激活函数和一个无限宽度隐藏层的网络可以成为通用分类器。 深度学习是机器学习中一种基于对数据进行表征学习的算法。(维基百科深度学习)

深度学习是人工智能的一个子集,能够自动学习数据中的复杂模式。深度学习算法的灵感来自于大脑从经验中学习的能力,它们通常使用神经网络来实现——计算系统的结构与大脑非常相似。事实上,如果不使用先进的水印策略,就不可能准确区分由人类头脑所写的文本和由高度可并行的人工神经网络所产生的文本,后者的神经连接数要少得多。


传统机器学习算法和深度学习算法之间的一个关键区别是,深度学习算法可以扩展到更大的数据集,它们可以从非结构化或未标记的数据中学习。这使得它们非常适合于自然语言处理(NLP, natural language processing)等任务,这也是LLMs的用途。它现在被认为是人工智能的前沿,因其有可能执行需要创造力、推理和理解自然语言的任务。[1]

数字时代相关文章

数字空间相关链接