深度学习有哪些本质性特征

Question

如题所述

Answer 1

深度学习》一书论述了深度学习的五个特征，其内容很有进一步思考和研究的价值。
一、联想与结构：经验与知识的相互转化
学习学科的基本结构，以联想的、结构的方式去学习，是深度学习的重要特征。(p50)
实现深度学习，需要联结学生的经验，并且要实现经验的系统化、结构化，让经验转化为知识，实现经验的增殖。这是一个具体经验抽象化的过程，让经验具有普遍意义。
同时也要让抽象的、符号化的知识联结具体化经验，让知识具体化，从而活化知识。
二、活动与体验：学生学习的机制
活动与体验是深度学习的核心特征，回答的是深度学习的运作机制问题。
学生要成为学习的主体，就得有“活动”的机会，有“亲身经历”知识发现、形成、发展的过程和机会。(p51)
学生的“活动”“亲身经历”既不可能也不必要像人类最初发现知识那样，而是要典型地、简约地经历结构性的关键过程与关键内容。(p52)
通过活动，让学生“亲身经历”知识的发现、形成、发展的过程。
这个过程不是完整地重复人类知识产生的全过程，而是以典型化、简约化来复演知识的形成过程，在这一过程中，教师应该是编剧和导演。
在这个过程中，学生既要体验“发现的过程”，也要体悟发现过程中的精神和意义。
三、本质与变式：对学习对象进行深度加工
发生深度学习的学生能够抓住教学内的本质属性、全面把握知识的内存联系，并能够由本质推出若干变式。（p56）
把握学习内容的本质属性，把握知识的内在联系，是深度学习的重要指标。
给予变式，帮助学生更全面、更深入地理解知识，可以促使学生形成“透过现象看本质”的思维方式。
四、迁移与运用：在教学活动中模拟社会实践
“迁移”是经验的扩展与提升，“应用”是将内化的知识外显化、操作化，也是将间接经验直接化、将符号转化为实体、从抽象到具体的过程，是知识活化的标志，也是学生学习成果的体现。（p60)
迁移和应用发展的是学生的综合实践能力。
迁移和应用是学生重要的学习方式，需要教师有意识地、精心地设计任务，引导学生学会“迁移”和“应用”。
五、价值与评价：“人”的成长的隐性要素
“价值与评价”不是教学的某个独立的阶段或环节，却是萦绕在各个阶段、各个环节的所有活动之中。(p61)
这方面最重要的是质疑、批判、反思，从而发展理性精神和正确价值观。
让学生学会价值审视与自我评价，是对于深度学习非常重要的能力。

Answer 2

不学习有哪些本质特征就是更加了解，更加快速。

Answer 3

以问题为导向。结构化学习。

Answer 4

深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步
深度学习是一类模式分析方法的统称，就具体研究内容而言，主要涉及三类方法：
(1)基于卷积运算的神经网络系统，即卷积神经网络(CNN)。
(2)基于多层神经元的自编码神经网络，包括自编码( Auto encoder)以及近年来受到广泛关注的稀疏编码两类( Sparse Coding)。
(3)以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络(DBN)。
通过设计建立适量的神经元计算节点和多层运算层次结构，选择合适的输人层和输出层，通过网络的学习和调优，建立起从输入到输出的函数关系，虽然不能100%找到输入与输出的函数关系，但是可以尽可能的逼近现实的关联关系。使用训练成功的网络模型，就可以实现我们对复杂事务处理的自动化要求
自下上升的非监督学习
就是从底层开始，一层一层地往顶层训练。采用无标定数据（有标定数据也可）分层训练各层参数，这一步可以看作是一个无监督训练过程，这也是和传统神经网络区别最大的部分，可以看作是特征学习过程。具体的，先用无标定数据训练第一层，训练时先学习第一层的参数，这层可以看作是得到一个使得输出和输入差别最小的三层神经网络的隐层，由于模型容量的限制以及稀疏性约束，使得得到的模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征；在学习得到n-l层后，将n-l层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数。

自顶向下的监督学习
就是通过带标签的数据去训练，误差自顶向下传输，对网络进行微调。基于第一步得到的各层参数进一步优调整个多层模型的参数，这一步是一个有监督训练过程。第一步类似神经网络的随机初始化初值过程，由于第一步不是随机初始化，而是通过学习输入数据的结构得到的，因而这个初值更接近全局最优，从而能够取得更好的效果。所以深度学习的良好效果在很大程度上归功于第一步的特征学习的过程。