深度學習是一個廣闊的領域，它圍繞着一種形態由數百萬甚至數十億個變量決定並不斷變化的算法——神經網絡。似乎每隔一天就有大量的新方法和新技術被提出來。不過，總的來說，現代深度學習可以分爲三種基本的學習範式。每一種都有自己的學習方法和理念，提升了機器學習的能力，擴大了其範圍。
本文最初發佈於Towards Data Science博客，由InfoQ中文站翻譯並分享。
深度學習是一個廣闊的領域，它圍繞着一種形態由數百萬甚至數十億個變量決定並不斷變化的算法——神經網絡。似乎每隔一天就有大量的新方法和新技術被提出來。
不過，總的來說，現代深度學習可以分爲三種基本的學習範式。每一種都有自己的學習方法和理念，提升了機器學習的能力，擴大了其範圍。
-
混合學習——現代深度學習方法如何跨越監督學習和非監督學習之間的邊界，以適應大量未使用的無標籤數據？
-
複合學習——如何以創造性的方法將不同的模型或組件連接起來，以生成一個大於各部分之和的複合模型？
-
簡化學習——出於性能和部署目的，如何減少模型的規模和信息流，同時保持相同或更強的預測能力？
深度學習的未來在於這三種學習模式，而且它們彼此之間密切相關。
混合學習
這種範式試圖跨越監督學習和非監督學習之間的界限。由於有標籤數據缺乏且成本高，所以常常在業務上下文中使用。從本質上說，混合學習是對下面這個問題的回答：
原文鏈接:【https://www.infoq.cn/article/t8IWDd1MhgZtDEzC4y2K】。未經作者許可，禁止轉載。