从机器学习模型的层次来看，大致经历了两次发展浪潮：浅层学习（Shallow Learning）和深度学习（Deep Learning）。
1980年代，人工神经网络的反向传播算法（也叫Back Propagation算法或者BP算法）的出现
让一个人工神经网络模型从大量训练样本中学习出统计规律，从而对未知事件做预测，这
掀起了一轮基于统计模型的机器学习热潮。
彼时的人工神经网络，虽然被称作多层感知机（Multi-layer Perceptron），但实际上只含有一层隐层节点的浅层模型。
进入到1990年代，支持向量机、Boosting等各种各样的浅层机器学习模型相继提出。但这些模型的结构基本上可以看成带有一层隐层节点（如SVM、Boosting），或没有隐层节点（如LR）。但这些模型在无论是理论分析还是应用都获得了巨大成功。
与此同时，深度学习作为机器学习的一个分支，经历了短暂的辉煌，而后由于过拟合、训练速度慢等问题很快陷入沉寂。
当时，坐冷板凳的研究者有后来被称为深度学习之父的Geoffrey Hinton。功夫不负有心人，Hinton最终提出了一个实际可行的Deep Learning框架，在其研究中提出具有优异的特征学习能力多隐层的人工神经网络，并通过“逐层初始化”（Layer-wise Pre-training）克服了深度神经网络的训练难度。于是，深度学习重启了机器学习发展的浪潮。
区别于传统的浅层学习，深度学习的不同在于其强调了模型结构的深度，以及明确突出了特征学习的重要性。
不过，深度学习的出现并没有替代浅层学习所发挥的作用。如今，多数分类、回归等学习方法为浅层结构算法，而深度学习一度成为了AI的一大代名词。
但是，无论是浅层学习还是深度学习，在实际应用时在算法和工程层面存在诸多局限，这也为AI的落地带来了挑战。
挑战总是与机遇并存。
跳脱出深度学习面临的桎梏，AI未来怎么发展？
去年4月，刚刚成为“阿里新人”的Caffe 之父贾扬清在内部分享了他对AI发展的思考与洞察。其中，他重点指出了传统的系统、体系结构等知识，以及计算机软件工程的实践会给 AI 带来的新机会：
在他看来，快速迭代带来的大量机遇和挑战非常令人兴奋，无论是有经验的研究者还是新学 AI 的工程师，在当今云化，智能化的年代，如果能快速学习并刷新算法和工程的各种挑战，就可以通过算法创新引领并且赋能社会各个领域。
那么，在当下AI规模化落地需求面前，AI工程师如何应对挑战并抓住机遇？
2月20日（本周四）晚19:00，
阿里CIO学院联合
CSDN
联合
发起的攻“疫”技术公益培训第二场
，邀请
阿里巴巴集团副总裁贾扬清向你发来对话邀请，探讨近年来人工智能算法和系统的进化过程。
他将从会从人工智能的定义讲到当代发展，并对当前业内流行的深度学习、浅层学习、增强学习做深层次的解读，同时从技术角度阐述产品形态和用户场景。
通过本次直播，贾扬清将重点阐述以下AI四大问题：
-
深度学习和浅层学习的优弊分析
-
深度学习和浅层学习在业务应用中的落地效果
-
云上用户如何解决AI问题
-
阿里巴巴的飞天AI平台如何实现
攻“疫”技术公益培训第一场录播地址：https://edu.csdn.net/huiyiCourse/detail/1156，嘉宾：阿里云智能事业群数据库产品事业部总裁李飞飞
我们为报名的小伙伴准备了大量的互动礼品：
阿里帆布包、阿里马克杯、天猫精灵智能音箱
，具体互动要求，请参会同学扫描下方二维码入群了解，
欢迎加
小助手微信
，回复
公开课
，进入直播群！
