機器學習 vs. 深度學習

摘要： 來看看咱們分析的和您想的是否一致。

本文在透徹剖析深度學習及機器學習的同時，就多方面對二者進行比較，進而探究其將來的發展趨勢。

深度學習及機器學習

A. 機器學習

機器學習是人工智能技術的補充，有以下幾種經常使用算法：

1. Find-S
2. 決策樹
3. 隨機森林算法
4. 神經網絡

機器學習算法一般分爲如下三大類：

1. 有監督學習：須要從有標籤的數據中學到或者創建一個模式。
2. 無監督學習：數據是無標籤的，機器學習算法須要先將數據分類，而後對數據結構進行描述，使複雜的數據看起來簡單，以便進行後續分析工做。
3. 強化學習：與監督學習類似，經過不斷地探索學習，從而得到一個好的策略。

B. 深度學習

機器學習更多關注解決現實世界的問題，與人工智能技術有殊途同歸之妙。機器學習則是經過模擬人類決策能力的神經網絡找出問題解決方法。深度學習可看做是特殊的機器學習，咱們能夠利用深度學習來解決任何須要思考的問題。

深度神經網絡由三種類型的層組成：

1. 輸入層
2. 隱藏層
3. 輸出層

C．深度學習VS機器學習

咱們使用機器學習算法解析數據，並根據從數據中學習到的知識作出決策。深度學習利用各個層組合建立人工「神經網絡」，它可以智能地學習和作出決策。深度學習能夠說是機器學習的子領域。

D． 深度學習和機器學習區別

1． 數據依賴

深度學習與機器學習的主要區別是在於性能。當數據量不多的時候，深度學習的性能並很差，由於深度學習算法須要大量數據才能很好理解其中蘊含的模式。

1. 硬件支持

深度學習算法嚴重依賴高端機，而傳統的機器學習算法在低端機上就能運行。深度學習須要GPUs進行大量的矩陣乘法運算。

1. 特徵工程

特徵工程就是將領域知識輸入特徵提取器，下降數據複雜度。從時間和專業性來說，這個過程開銷很高。

1. 解決方案

一般，咱們使用傳統的算法解決問題。這須要將問題化整爲零，分別解決，獲得結果後再將其進行組合。

示例：

假設咱們須要對多個目標進行探測，識別這些目標都是什麼，肯定它們在圖片中的位置。利用機器學習算法，咱們可將該問題分爲兩個部分：

1. 目標檢測
2. 目標識別

首先，咱們使用grabcut算法掃描全圖，以期找到可能的目標。接着，對全部疑似目標使用目標識別算法（如SVM/HOG）進行識別。

5． 執行時間

因爲深度學習中含有很是多的參數，較機器學習而言會耗費更多的時間。機器學習在訓練數據的時候費時較少，同時只需幾秒到幾小時。

6． 可解釋性

應用場景
計算機視覺：車牌識別，人臉識別

信息檢索：搜索引擎，文本檢索，圖像檢索

營銷：自動郵件營銷，目標識別

醫療診斷：癌症檢測，異常檢測

天然語言處理：語義分析，照片標記，在線廣告投放

展 望
1． 機器學習和數據科學發展勢頭強勁，對想要生存下來的企業來講，在業務中使用機器學習變得愈加重要。

2． 深度學習已被證實是現有技術中最早進的技術之一，它給人們帶來了無限多的驚喜，將來仍將如此。

3． 研究學者們仍在不斷探索機器學習和深度學習。過去，對於兩者的研究僅侷限於學術範圍，如今工業界也加大了對其的研究力度。

本文做者：【方向】

閱讀原文

本文爲雲棲社區原創內容，未經容許不得轉載。