资源|Yann LeCun关于深度学习的能力与局限分享

重磅干货，第一时间送达

一、资源简介

今天给大家分享的一份关于深度学习的局限和能力的讨论材料，这是Yann LeCun 在哈佛大学脑神经与行为科学讲坛发表演说时的资料。报告首先回顾了深度学习发展的里程和现如今发挥巨大作用的原因，并指出各种深度学习模型（比如强化学习）的局限性和它们无法解决的问题。这些局限性同时也是对未来研究方向的指引，值得参考。

深度学习(DL)在计算机感知、自然语言理解和控制方面取得了重大进展。特别是监督学习范式提供了许多非常成功的应用，包括医学图像分析、自动驾驶、虚拟助理和语言翻译。DL系统是搜索引擎和社交网络，以及越来越多的物理和社会科学研究的基础。

二、主要内容

由于浅层学习模型是通过专家经验进行数据特征提取，而人类大脑学习则是全自动状态。因此，传统机器学习具有一定的局限性，这在很大程度上限制了人工智能技术的发展，正是这样的背景下，深度学习发挥其很大的优势，很多人工智能领域取得很大的突破

随着深度学习的不断进步以及数据处理能力的不断提升，各大研究机构及科技巨头相继对深度学习领域投入了大量的资金和精力，并取得了惊人的成就。然而，我们不能忽略的一个重要问题是，深度学习实际上仍然存在着局限性：

1、深度学习需要大量的训练数据

2、无法判断数据的正确性

3、深度网络对图像的改变过于敏感

4、深度学习不能解释因果关系

三、资源分享

同时为了方便大家，我们把最新资料打包好了，可以直接下载哦~

获取方式：

1. 关注我们的公众号“AI遇见机器学习”