机器学习 vs. 深度学习

摘要： 来看看我们分析的和您想的能否分歧。

本文在透彻分析深度学习及机器学习的同时，就多方面对两者停止比较，进而探求其将来的发展趋向。

深度学习及机器学习

A. 机器学习

机器学习是人工智能技术的补充，有如下几种常用算法：

Find-S 决策树 随机森林算法 神经网络

机器学习算法通常分为以下三大类：

有监督学习：需求从有标签的数据中学到或者建立一个形式。 无监督学习：数据是无标签的，机器学习算法需求先将数据分类，然后对数据结构停止描画，使复杂的数据看起来简单，以便停止后续分析工作。 强化学习：与监督学习相似，经过不断地探求学习，从而获得一个好的策略。

B. 深度学习

机器学习更多关注处理理想世界的成绩，与人工智能技术有异曲同工之妙。机器学习则是经过模拟人类决策才能的神经网络找出成绩处理方法。深度学习可看作是特殊的机器学习，我们可以应用深度学习来处理任何需求思索的成绩。

深度神经网络由三种类型的层组成：

输入层 隐藏层 输入层

C．深度学习VS机器学习

我们运用机器学习算法解析数据，并根据从数据中学习到的知识做出决策。深度学习应用各个层组合创建人工“神经网络”，它可以智能地学习和做出决策。深度学习可以说是机器学习的子范畴。

D． 深度学习和机器学习区别

1． 数据依赖

深度学习与机器学习的次要区别是在于功能。当数据量很少的时分，深度学习的功能并不好，由于深度学习算法需求大量数据才能很好了解其中包含的形式。

2. 硬件支持

深度学习算法严重依赖高端机，而传统的机器学习算法在低端机上就能运转。深度学习需求GPUs停止大量的矩阵乘法运算。

3. 特征工程

特征工程就是将范畴知识输入特征提取器，降低数据复杂度。从工夫和专业性来讲，这个过程开支很高。

4. 处理方案

通常，我们运用传统的算法处理成绩。这需求将成绩化整为零，分别处理，得到结果后再将其停止组合。

示例：

假设我们需求对多个目的停止探测，辨认这些目的都是什么，确定它们在图片中的地位。应用机器学习算法，我们可将该成绩分为两个部分：

目的检测 目的辨认

首先，我们运用grabcut算法扫描全图，以期找到能够的目的。接着，对一切疑似目的运用目的辨认算法（如SVM/HOG）停止辨认。

5． 执行工夫

由于深度学习中含有非常多的参数，较机器学习而言会耗费更多的工夫。机器学习在训练数据的时分费时较少，同时只需几秒到几小时。

6． 可解释性

运用场景

计算机视觉：车牌辨认，人脸辨认

信息检索：搜索引擎，文本检索，图像检索

营销：自动邮件营销，目的辨认

医疗诊断：癌症检测，异常检测

自然言语处理：语义分析，照片标记，在线广告投放

展 望

1． 机器学习和数据迷信发展势头微弱，对想要生活上去的企业来说，在业务中运用机器学习变得越发重要。

2． 深度学习已被证明是现有技术中最先进的技术之一，它给人们带来了有限多的惊喜，将来仍将如此。

3． 研讨学者们仍在不断探求机器学习和深度学习。过去，对于二者的研讨仅局限于学术范围，如今工业界也加大了对其的研讨力度。

以上为译文

阿里云云栖社区组织翻译。

文章原标题《Machne Learning vs. Deep Learning》，作者：Shailna Patidar，译者：Elaine，审校：袁虎。

[赞][赞][赞]

“”机器学习则是经过模拟人类决策才能的神经网络找出成绩处理方法。“”这句错了！

机器深度学习！

写得太水了

太不专业了

分享了

分享了

分享了

分享了