機器學習 vs 深度學習到底有啥區別，為什麼更多人選擇機器學習
本文中，我們將深度學習與機器學習作比較。我們將逐一瞭解他們。我們還會討論他們在各個方面的不同點。除了深度學習和機器學習的比較，我們還將研究它們未來的趨勢。
對比介紹深度學習和機器學習
a. 什麼是機器學習？
通常，為了實現人工智慧，我們會使用機器學習。我們有幾種用於機器學習的演算法。例如：
● Find-S
● 決策樹（Decision trees）
● 隨機森林（Random forests）
● 人工神經網路（Artificial Neural Networks）
通常，有3類學習演算法：
● 監督機器學習演算法進行預測。此外，該演算法在分配給資料點的值標籤中搜索模式。
● 無監督機器學習演算法：沒有標籤與資料關聯。並且，這些 ML 演算法將資料組成簇。此外，他需要描述其結構，並使複雜的資料看起來簡單且能有條理的分析。
● 增強機器學習演算法：我們使用這些演算法選擇動作。並且，我們能看到它基於每個資料點。一段時間後，演算法改變策略來更好地學習。
b.什麼是深度學習?
機器學習只關注解決現實問題。它還需要人工智慧的一些想法。機器學習通過旨在模仿人類決策能力的神經網路。ML工具和技術是兩個主要的僅關注深度學習的窄子集。我們需要應用它來解決任何需要思考的問題 —— 人類的或人為的。任何深度神經網路都將包含以下三層：
● 輸入層
● 隱藏層
● 輸出層
我們可以說深度學習是機器學習領域的最新術語。這是實現機器學習的一種方式。
3. 深度學習vs機器學習
我們用機器演算法來解析資料，學習資料，並從中做出理智的判定。根本上講，深度學習用於建立可自我學習和可理智判定的人工“神經網路”。我們可以說深度學習是機器學習的子領域。
4. 機器學習與深度學習對比
a.資料依賴
效能是區別二者的最主要之處。當資料量小時，深度學習演算法表現不佳。這就是DL演算法需要大量的資料才能完美理解的唯一原因。
我們可以看到，人工創立的該場景之下算法佔據上風。上圖總結了該情況。
b. 硬體依賴
通常，深度學習依賴於高階裝置，而傳統學習依賴於低端裝置。因此，深度學習要求包含 GPU。這是它工作中不可或缺的一部分。它們還需要進行大量的矩陣乘法運算。
c. 功能工程化
這是一個通用的過程。在此，領域知識被用於建立特徵提取器，以降低資料的複雜性，並使模式對學習演算法的工作原理上更可見，雖然處理起來非常困難。 因此，這是耗時並需要專業知識的。
d. 解決問題的方法
通常，我們使用傳統演算法來解決問題。但它需要將問題分解為不同的部分以單獨解決它們。要獲得結果，請將它們全部合併起來。
例如：
讓我們假定你有一個多物件檢測的任務。在此任務中，我們必須確定物件是什麼以及它在影象中的位置。在機器學習方法中，我們必須將問題分為兩個步驟：
● 物件檢測
● 物件識別
首先，我們使用抓取演算法遍歷影象並找到所有可能的物件。然後，在所有已識別的物件中，你將使用諸如 SVM 和 HOG 這樣的物件識別演算法來識別相關物件。
e.執行時間
通常，與機器學習相比，深度學習需要更多時間進行訓練。主要原因是深度學習演算法中有太多引數。機器學習需要進行訓練的時間較少，從幾秒鐘到幾個小時範圍內。
f.可解釋性
我們將可解釋性作為比較兩種學習技術的因素。儘管如此，深度學習在工業應用之前仍然被考慮再三。
機器學習和深度學習主要被應用在何處？
a. 計算機視覺： 我們將其用於像車牌識別和麵部識別等應用。
b. 資訊檢索： 我們將 ML 和 DL 用於像囊括文字檢索及影象檢索的搜尋引擎等應用。
c. 市場營銷： 我們在自動電子郵件營銷及客戶群識別上使用這些學習技術。
d. 醫療診斷： 它在醫療領域也有廣泛的應用，像癌症識別及異常檢測等應用。
● 自然語言處理
● 針對類似情感分析、照片標籤生成、線上廣告等應用
此處可瞭解更多關於機器學習類應用。
未來趨勢
● 如今，機器學習和資料科學已經成為一種趨勢。在企業中，對這兩種產品的需求都在迅速增長。對於那些想要在自己的業務中融入機器學習的公司，兩者被迫切地需求著。
● 深度學習被發現和證明有最好的技術表現力。並且，深度學習正在不斷給我們帶來驚喜並將在不久的將來繼續這樣做。
● 近年來，研究人員不斷探索機器學習和深度學習。過去，研究人員僅限於學術界。但是，如今，在工業和學術界中ML和DL都有自己的一席之地。
結論
我們已經研究討論了深度學習和機器學習，並對兩者進行了比較。為了更好地表達和理解，我們還研究了影像。如果你有任何問題，請在評論區提出。
原文釋出時間為：2018-09-24
本文來自雲棲社群合作伙伴“ ofollow,noindex">資料與演算法之美 ”，瞭解相關資訊可以關注“ 資料與演算法之美 ”。