概述
深度學習是基於多層神經網路的機器學習的子集，可以從圖像、音訊和文字等非結構化資料中學習。
深度學習位於核心人工智慧工具包。當你理解它時，其他人工智慧主題就變得更容易評估和比較。
深入探討
深度學習「解鎖」了人工智慧處理原始非結構化資料的能力。在深度學習之前，工程師必須手動「特徵工程」資料（例如，手動定義貓耳朵的樣子）。深度學習模型透過直接從原始像素或音訊波自動學習最相關的特徵來消除此步驟。
技術洞察
深度學習中的「深度」指的是層數。現代「前沿模型」通常具有數百層和數十億個參數。這種深度可以捕捉淺層模型根本無法表示的高度非線性、複雜的關係。
掌握深度學習
深度學習是基於多層神經網路的機器學習的子集，可以從圖像、音訊和文字等非結構化資料中學習。深度學習位於核心人工智慧工具包。當你理解它時，其他人工智慧主題就變得更容易評估和比較。為了建立深入的理解，請將深度學習視為操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，使用深度學習的強大團隊首先建立強大的概念模型，然後將這些模型映射到實際的生產限制。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
它可以幫助您將清晰的技術聲明與行銷語言分開。同時，不同的團隊可能會以不同的方式使用相同術語，因此請儘早定義範圍。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
它可以幫助您將清晰的技術聲明與行銷語言分開。
它可以幫助您將清晰的技術聲明與行銷語言分開。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
在花費金錢或時間之前，您可以提出更好的實施問題。
在花費金錢或時間之前，您可以提出更好的實施問題。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
具有共同理解的團隊可以做出更好的產品、政策和學習決策。
具有共同理解的團隊可以做出更好的產品、政策和學習決策。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
Google Translate 等應用程式中的即時語言翻譯。
用於早期疾病檢測的醫學影像分析。
先進的機器人透過模擬學習抓取物體。
建構具有明確成功標準和人工審核檢查點的可重複深度學習工作流程。
實施模式
深度學習的實踐
Google Translate 等應用程式中的即時語言翻譯。
Google 等應用程式中的即時語言翻譯 翻譯團隊在預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
深度學習的實踐
用於早期疾病檢測的醫學影像分析。
用於早期疾病檢測的醫學影像分析 團隊在預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
深度學習的實踐
先進的機器人透過模擬學習抓取物體。
先進的機器人透過模擬學習抓取物體當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
深度學習的實踐
建構具有明確成功標準和人工審核檢查點的可重複深度學習工作流程。
使用明確的成功標準和人工審核檢查點來建立可重複的深度學習工作流程當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
不同的團隊可能會以不同的方式使用相同術語，因此請儘早定義範圍。
基準測試可能看起來很強大，但實際效能卻參差不齊。
忽視數據品質和評估計劃通常會產生脆弱的結果。
實施路線圖
從您需要的結果的簡單語言定義開始。
從您需要的結果的簡單語言定義開始。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在測試之前選擇一種成功指標和一種失敗條件。
在測試之前選擇一種成功指標和一種失敗條件。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
使用代表性資料運行小型試點，而不是完善的演示集。
使用代表性資料運行小型試點，而不是完善的演示集。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
記錄深度學習在哪些方面有幫助以及在哪些方面更簡單的方法更好。
記錄深度學習在哪些方面有幫助以及在哪些方面更簡單的方法更好。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。