認識機器學習與深度學習的區別

　　最近學校開始了深度學習的課程，想大體上了解下關於機器學習有關的知識：

 

　　 Nvidia 博客上的這張圖表示了 AI, Machine Learning, Deep Learning 三者的關係。人工智能是一類很是普遍的問題，機器學習是其中一個重要領域和手段，深度學習則是機器學習的一個分支。在不少人工智能問題上，深度學習的方法突破了傳統機器學習的瓶頸，於是影響力迅速擴大。

　　

　　什麼是機器學習？

00 試着翻出一些機器學習相對權威的定義，看看它們有什麼共同點：

 

Col.DL.MLDefinitions.png

簡單來講，就是機器經過一系列「任務」從「經驗」（數據）中學習，而且評估「效果」如何：

 

 

　　爲何叫作「學習」呢？通常編程語言的作法，是定義每一步指令，逐一執行並最終達到目標。而機器學習則相反，先定義好輸出，而後程序自動「學習」出達到目標的「步驟」。

 

機器學習能夠分爲：

• 監督學習：給出定義好的標籤，程序「學習」標籤和數據之間的映射關係
• 非監督學習：沒有標籤的數據集
• 強化學習：達到目標會有正向反饋

 

 

　　機器學習擅長作什麼？

固然是替代重複的人工勞動，用機器自動從大量數據中識別模式——也就是「套路」啦。知道「套路」後，咱們能夠幹嗎呢？

• Classification 分類，如垃圾郵件識別(detection, ranking)
• Regression 迴歸，例如股市預測
• Clustering 聚類，如 iPhoto 按人分組
• Rule Extraction 規則提取，如數據挖掘

　　好比垃圾郵件識別的問題，作法是先從每一封郵件中抽取出對識別結果可能有影響的因素（稱爲特徵 feature），好比發件地址、郵件標題、收件人數量等等。而後使用算法去訓練數據中每一個特徵和預測結果的相關度，最終獲得能夠預測結果的特徵。

　　算法再強大，若是沒法從數據中「學習到」更好的特徵表達，也是徒勞。一樣的數據，使用不一樣的表達方法，可能會極大影響問題的難度。一旦解決了數據表達和特徵提取問題，不少人工智能任務也就迎刃而解。

爲何須要深度學習？

可是對機器學習來講，特徵提取並不簡單。特徵工程每每須要人工投入大量時間去研究和調整，就好像本來應該機器解決的問題，卻須要人一直在旁邊攙扶。

深度學習即是解決特徵提取問題的一個機器學習分支。它能夠自動學習特徵和任務之間的關聯，還能從簡單特徵中提取複雜的特徵。