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:算法

 

   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:編程

 
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:機器學習

 
 

  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」。編程語言

 

機器學習能夠分爲:學習

  • 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?人工智能

  • 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。spa

  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。orm

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

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。博客

 
相關文章
相關標籤/搜索