目录：

• 概述
• 代表性人物
• 应用领域
• 相关资料

　　从科学、技术和人工智能诞生之初，科学家们就在设想：机器如何能够像人类一样聪明。很多的作家通过文学作品描述这个场景，比如星球大战等等。而机器学习与深度学习是最有希望突破的两个方向。本文中我将主要介绍深度学习的简史、代表性人物、应用领域和相关的资料总结。

概述

　　深度学习（Deep Learning）的概念源于人工神经网络的研究，含多隐层的多层感知器就是一种深度学习结构，是一种特征学习方法，把原始数据通过一些简单的但是非线性的模型转变成为更高层次的，更加抽象的表达。通过足够多的转换的组合，非常复杂的函数也可以被学习。
深度学习的核心方面是，上述各层的特征都不是利用人工工程来设计的，而是使用一种通用的学习过程从数据中学到的。
下面这是Ian Goodfellow,Yoshua Bengio, Aaron Courville《Deep Learning》中关于深度学习的描述。

这是近几年火遍各个领域的词汇，似乎所有的算法只要跟它扯上关系，瞬间就显得高大上起来。但其实，从2006年Hinton在Science上的论文算起，深度学习发展至今才不到十年。深度学习与机器学习始终分不开，看一下他们两个的简史：

• 1949年，Hebbian提出神经心理学学习方式——Hebbian学习理论
• 1957年，Rosenblatt的感知器算法,与今天的ML很像。
• 1969年，Minskey的XOR问题论证了感知机在类似XOR问题的线性不可分数据的无力，给感知机画上了一个逗号，将ML暂时封印了起来。
• 1970年，Linnainmaa的自动微分的翻转模式揭开了神经网络的一角
• 1981年，Werbos的多层感知机算彻底打开了封印
• 1985-1986年，NN研究中成功的使用BP算法来训练MLP。（Rumelhart, Hinton, Williams - Hetch, Nielsen）
• 随后另一个很出名的算法——决策树也被提出来了，随后ID3，ID4回归树，CART等等都雨后春笋般的出现，在SVM与DL没出来之前，一度承载了ML的未来，至今还在应用。
• 1995年，ML领域最重要的一个突破——支持向量机（SVM）由Vapnik 与 Cortes提出。 从图中可以看到，SVM从提出到现在一直占据ML届的半壁江上。
• 于此同时，我们看看NN（神经网络）派，外部面临着SVM的挑战，内部Hochreiter表明BP算法在NN党员饱和后悔发生梯度损失。
• 1997年，另一个坚实的ML模型AdaBoost由Freund和Schapire提出。
• 2001年，Breiman基于AdaBoost的思想，提出将多个决策树组合起来的模型（随机森林RF）。这个模型让决策树的性能与SVM有了一拼之力。
• 时间终于来到了当下，我们的主角——深度学习登场了。在这个阶段NN模型可以拥有多层，3层的NN模型被Hinton,LeCun, Bengio, Andrew Ng等诸多大师一一实现。
• 2012年，《纽约时报》披露了Google Brain项目，这个项目由机器学习教授Andrew Ng和在大规模计算机系统方面的世界顶尖专家JeffDean共同主导，训练了一种“深度神经网络（DNN）”，能够自动认识到猫这种概念.
• 2012年底，Geoff Hinton的博士生Alex Krizhevsky、Ilya Sutskever（他们研究深度学习时间并不长）在图片分类的竞赛ImageNet上，识别结果拿了第一名。其实类似的比赛每年很多，但意义在于，Google团队也在这个数据集上做了测试（非公开的，Google没有显式参加学术界的“竞赛”），用的也是深度学习，但识别精度比Geoff Hinton的团队差了很多，这下工业界振奋了。这是深度学习火起来的标志性时间
• 2013年1月，在百度的年会上，创始人兼CEO李彦宏高调宣布要成立百度研究院，其中第一个重点方向就是深度学习，并为此而成立Institute of Deep Learning（IDL）。
• 2013年4月，《麻省理工学院技术评论》杂志将深度学习列为2013年十大突破性技术（Breakthrough Technology）之首。

　　deep learning本身算是machine learning的一个分支，简单可以理解为neural network的发展。大约二三十年前，neural network曾经是ML领域特别火热的一个方向，但是后来确慢慢淡出了，原因包括以下几个方面：
　　1，比较容易过训练，参数比较难tune；
　　2，训练速度比较慢，在层次比较少(小于等于3)的情况下效果并不比其它方法更优；
　　所以中间有大约20多年的时间，神经网络被关注很少，这段时间基本上是svm和boosting算法的天下。但是，一个痴心的老先生hinton，他坚持了下来，并最终（和其它人一起bengio、yann.lecun等）提成了一个实际可行的deep learning框架。

应用领域

　　
　　深度学习的应用主要由上面的三个方面：语言识别，计算机视觉，文本建模
　　语音识别上，2009年，Hinton把深层神经网络介绍给做语音识别的学者们。然后2010年，语音识别就产生了巨大突破。本质上是把传统的混合高斯模型（GMM）替换成了深度神经网络（DNN）模型，但相对识别错误率一下降低20%多，这个改进幅度超过了过去很多年的总和。这里的关键是把原来模型中通过GMM建模的手工特征换成了通过DNN进行更加复杂的特征学习。在此之后，在深度学习框架下，人们还在不断利用更好的模型和更多的训练数据进一步改进结果。现在语音识别已经真正变得比较成熟，并且被广泛商用，且目前所有的商用语音识别算法没有一个不是基于深度学习的。
　　计算机视觉上人们初步看到了深度网络的优势，但还是有很多人质疑它。语音识别是成功了，那么图像分类呢？2012年之前，深度学习好像还是只能处理像MNIST手写体分类这样的简单任务。说来也巧，这时候正举行了两届ImageNet比赛。这是一个比手写体分类复杂得多的图像分类任务，总共有100万张图片，分辨率300x300左右，1000个类别。前两届的冠军采用的都是传统人工设计特征然后学习分类器的思路。第一届是2010年，当时冠军的准确率(top 5精度)是71.8%，而2011年是74.3%。由于Hinton经常被其它研究人员“嘲讽”说深度学习在图像领域没有用，于是2012年，Hinton和他的学生Alex等人参赛，把准确率一下提高到84.7%。
　　当然，他们的成功借助了ImageNet这个足够大的数据集，借助了GPU的强大计算能力，借助了比较深层的CNN网络，借助了随机梯度下降（SGD）和Dropout等优化技巧，借助了训练数据扩充策略（Data Augmentation）。但无论如何，他们靠着深度学习震惊了机器学习领域，从此大量的研究人员开始进入这个领域，一发不可收拾。2013年是89%，2014年是93.4%，截止到现在（2015年5月份），ImageNet数据集的精度已经达到了95%以上，某种程度上跟人的分辨能力相当了。
　　
　　关于文本，一个很重要的工作是词向量（word2vec）。词向量是指通过对大量文本的学习（不需要标注），根据前后文自动学习到每个词的语义，然后把每个词映射为一个紧凑的实数向量形式的表达，而且具有很多好的性质，比如vec(中国)减去vec（北京）约等于vec(英国)减去vec(伦敦)。这里强调一句，这种向量化的紧凑表达形式在深度学习中是非常重要和普适的。任何抽象的知识都可以建模成这种紧凑的向量形式。类似的还有很多扩展性工作，比如，人们研究如何把一句话映射为一个向量，甚至把一段文字映射为一个向量。
　　
　　文本的各个词之间是有顺序的，而传统做法总是采用词袋模型忽略掉这些顺序。为了更好的挖掘和利用这个性质，人们渐渐倾向于采用递归神经网络（RNN）来描述它。RNN也不是什么新鲜事物，其实就是允许节点之间的连接有环的存在。不过就像我们之前说的，大数据、GPU、优化、深度学习在其它领域的突破等等又给它带来了新的活力。RNN做文本理解的大概思路是，按顺序处理一段话的每个单词，在它看到后面内容的时候，它的某些参数里还保留着对前面看到过的信息的“整合和抽象”。没错，它是有一定的记忆功能的，而且不需要人为告诉它应该记住什么，它会从训练数据中自然的进行学习，然后记忆在“环”里。可以想像，RNN的结构比普通神经网络复杂，而且优化过程更加困难，但目前已经有了BPTT、LSTM等很多解决方案，在这方面有着很多的相关工作，总体来看，结果让人觉得很有希望。
　　当然还有很多其他的应用，比如量化交易，金融，搜索广告CTR预估。

代表性人物

Geoff Hinton是深度学习学派的祖师爷，老爷子腰椎不好，经常得站着写代码到夜里一点，不能坐飞机，得坐火车从东边到西边去开会。

Geoff Hinton，deep learning 学派创始人之一

Yann Lecun 是 Geoff Hinton 三十年前的弟子。最近深度学习应用于智能理解特别广泛的模型是卷积神经网（ConvNet），就是 Yann Lecun 发明的 / 命名的。在学术上，这和传统的深度学习其他的模型有显著性差异 —— 我甚至认为这是思想性的巨大差异（世界可学性的假设）。

上图右为Yann Lecun，卷积神经网的发明者，Geoff Hinton的弟子

Yoshua Bengio教授（ 个人主页）是机器学习大神之一，尤其是在深度学习这个领域。他连同Geoff Hinton老先生以及 Yann LeCun教授，缔造了2006年开始的深度学习复兴。他的研究工作主要聚焦在高级机器学习方面，致力于用其解决人工智能问题。

Andrew Ng 是 Michale Jordan（ Berkeley 教授，图模型的泰斗）的明星弟子，Andrew 独立后，在Stanford,、Google 和 Baidu 做的反而是deep learning （有点武当弟子学了少林，或者少林弟子学了武当的意味）。后来做了网络公开课程Coursera后名声大噪，意义大大超越了其学术界的地位和范畴。

上图为吴恩达（Andrew Ng），百度首席科学家，在线教育平台coursera的创始人

相关资料

网上有很多的资料，给的再多也不如懂我。每个人的知识储备不一样，所需要的也不一样，这里只列出我自己接下来需要的阅读参考的资料（不定期更新补充）：
书：
Deep Learning by Yoshua Bengio, Ian Goodfellow and Aaron Courville
教程：
UFLDL Tutorial 1
UFLDL Tutorial 2
视频：
Deep Learning, Self-Taught Learning and Unsupervised Feature Learning By Andrew Ng
Frameworks：
DeepLearning4J
更资料请到：
Deep learning Reading List

参考资料

1. http://baike.baidu.com/link?url=rHP9DtHpd22nW7V634PcelLiSeN8LeVxFFPrJ2-2UXEAT7qODGP8PO_KGeCFTvqhalqB3OjGN4WOPfRFovrWwa
2. BRIEF HISTORY OF MACHINE LEARNING
3. 机器学习(Machine Learning)&深度学习(Deep Learning)资料
4. 机器学习简史
5. 深度学习史上最全分享