深度学习：人工神经网络的复兴与深度神经网络崛起

本资源主要探讨了UCAS模式识别课程中的一个重要主题——深度学习（Deep Learning），这是在第6章第3讲中详细讲解的一部分。深度学习自2006年以来，在人工智能领域经历了显著的发展和热潮，特别是由Geoffrey Hinton、Yann LeCun、Yoshua Bengio等学者推动的关键技术突破。 章节开篇回顾了人工神经网络的历史，强调了它们的发展历程，从早期的单层感知器和多层感知器，到RBF网络，这些基础模型奠定了深度学习的基础。接着，作者介绍了深度神经网络（DNN）作为传统人工神经网络的扩展，它是AI研究中的热点，其概念由Hinton等人在2006年提出。非监督贪心逐层训练算法为深度学习的训练提供了新的可能性，尤其是LeCun等人提出的卷积神经网络（CNN），它在语音识别和图像识别等领域取得了显著成果。 随着大数据时代的到来，社交网络、科学计算、产品推荐以及各种类型的数据，如文本、语音和图像数据，都成为了深度学习应用的重要驱动力。深度学习的应用率不断提升，如Hinton给出的数据表明，从2010年到2015年，深度学习的性能大幅提升，从72%增长到了96%，显示出其强大的适应性和影响力。 讲解者特别提到了深度学习背后的学术领袖，包括Geoffrey Hinton、Yann LeCun、Yoshua Bengio、Stephane Mallat、Andrew Ng等，他们在深度学习理论和实践上的贡献对整个领域产生了深远影响。同时，卷积神经网络的发明者如Rob Fergus、Jürgen Schmidhuber等人，以及像Honglak Lee、Ruslan Salahutdinov、Bruno Olshausen这样的学者也在此进程中扮演了关键角色。 总结来说，本节内容深入剖析了深度学习的发展背景、关键模型、技术进步以及在现实世界中的广泛应用，强调了计算性能的提升如何促进了这一领域的发展，并列举了一系列重要的人物和他们的研究成果，突显了深度学习在当前科技环境中的核心地位。