笔记|李宏毅老师机器学习课程，视频20Why Deep Learning?
《学习笔记》专栏·第23篇
文 | MLer
887字 | 2分钟阅读
【数据科学与人工智能】开通了机器学习群，大家可以相互学习和交流。请扫描下方二维码，备注：姓名-ML，添加我为好友，诚邀你入群，一起进步。
感谢李宏毅老师的分享，他的课程帮助我更好地学习、理解和应用机器学习。李老师的网站：
http://speech.ee.ntu.edu.tw/~tlkagk/index.html。
这个学习笔记是根据李老师2017年秋季机器学习课程的视频和讲义做的记录和总结。因为这个视频是在Youtube上面，有些朋友可能无法观看，我把它搬运下来放在云盘上面，大家点击阅读原文，就可以直接在手机随时随地观看了。再次，感谢李老师的付出和贡献。
这门课，共有36个视频，每个视频播放的时间不一。我按着视频播放的顺序，观看，聆听和学习，并结合讲义，做学习笔记。我做学习笔记目的有三：
1 帮助自己学习和理解机器学习
2 记录机器学习的重要知识、方法、原理和思想
3 为传播机器学习做点事情
视频20：Why Deep Learning?
李老师通过下图，抛出一个问题，为什么一个瘦而深的模型性能要优于一个肥而短的模型？
李老师，通过模组化的思想来深入浅出地回答这个问题。关于模组化更详细的内容，请看视频。
接下来，李老师谈到了，模组化思想在语音领域的理解，并且对比分析了传统语音识别算法HMM-GMM和DNN的差异。
模型构建的过程中，一方面，要考虑模型的表示性，另一方面，也要考虑模型效率性。
李老师又用逻辑电路的思想，说明深度学习为什么要深的原理这个问题。
逻辑电路与神经网络的类比分析。
李老师，还介绍了端到端学习的思想以及应用。并且进一步说明了深度学习为什么要深这个问题。
1 端到端学习在语音识别领域
传统方法
深度学习方法
2 端到端学习在影像识别领域
传统方法
深度学习方法
深度学习，在一些更复杂问题上，发挥出的作用。
一种是，相似输入，不同输出
一种是，不同输入，相同输出
最后，李老师提供了一些进一步学习的材料。
建议对这个问题感兴趣的朋友，可以观看视频，学习和思考。
朋友们，在学习中有什么问题或者想法，请加入机器学习群，大家一起讨论，共同进步。
如何高效学习？费曼学习法。
每周一书
课程视频点击
↓↓↓