在深度学习的过程中,机器自行从输入的数据中提取特征,然后这些特征就这样存在于机器之中,对我们人类而言,是不可理解的范畴啊,那完全就是一个黑盒世界.而在传统的机器学习,由于那些特征都是由人工提取出来的(特征工程),那么机器学习的过程自然也是能为人所理解的.
这个问题感觉真的很困扰我,大概也是我自身才疏学浅(惶恐...),未能理解深度学习的精髓....
望赐我清醒,解我疑惑
好好努力吧 机会很多的
有些大牛也有相似的疑问，于是就有了这样一篇论文[What value do explicit high level concepts have in vision to language problems?](http://arxiv.org/abs/1506.01144)
简单来说，我们做图像转文字任务的时候，都是直接把Encoder的特征直接输入到Decoder，而并不知道`特征`到底代表了什么(难以理解)。而论文里作者把Encoder的输出做成了图像分类任务(可理解)，再把分类的结果输入进Decoder，并得到了'state-of-art'的结果~
表述可能有些不准确，题主可以自己去看下论文。
只有《失控》，才真正进入了智能。否则只是计算。 ：）
人类的“生物神经网络”也同样是黑盒，所以人类的智能很迷人。
另外，曾有人吧传统的机器学习称为“浅层学习”，所以说把传统的机器学习继续发展下去，很可能会复杂到一定程度也会有“黑盒”倾向。周老师也提出，深度学习，未必一定是深度神经网络，可以可以用传统机器学习堆叠成其他的深度学习。
所以，传统机器学习和深度学习 很可能是一脉相承的。
以上我当前的看法。（或许以后再深入考察，观点会有变化）
好好努力吧 机会很多的
有些大牛也有相似的疑问，于是就有了这样一篇论文[What value do explicit high level concepts have in vision to language problems?](http://arxiv.org/abs/1506.01144)
简单来说，我们做图像转文字任务的时候，都是直接把Encoder的特征直接输入到Decoder，而并不知道`特征`到底代表了什么(难以理解)。而论文里作者把Encoder的输出做成了图像分类任务(可理解)，再把分类的结果输入进Decoder，并得到了'state-of-art'的结果~
表述可能有些不准确，题主可以自己去看下论文。
只有《失控》，才真正进入了智能。否则只是计算。 ：）
人类的“生物神经网络”也同样是黑盒，所以人类的智能很迷人。
另外，曾有人吧传统的机器学习称为“浅层学习”，所以说把传统的机器学习继续发展下去，很可能会复杂到一定程度也会有“黑盒”倾向。周老师也提出，深度学习，未必一定是深度神经网络，可以可以用传统机器学习堆叠成其他的深度学习。
所以，传统机器学习和深度学习 很可能是一脉相承的。
以上我当前的看法。（或许以后再深入考察，观点会有变化）