机器学习VS深度学习，两者区别在哪里？.docxVIP

机器学习VS深度学习，两者区分在哪里？ 2021-08-30 如今人工智能已经成为一大抢手话题，而人工智能的基本构建要素分为机器学习与深度学习。以下维恩图解释了机器学习与深度学习之间的关系： 机器学习： 机器学习是指令计算机依据设计与编程算法行事的技术。它允许计算机利用业已存在的数据进行学习。相当一部分争辩人员认为机器学习是挂念人类在人工智能方面取得进展的最佳途径。机器学习包括多种模式类型，例如： 1.监督式学习模式 在这种模式下，各个例子或例证皆协作一种算法，该算法担任分析训练数据并生成推断函数。 2. 无监督学习模式 在这种学习模式下，基础算法将从一组未标记的响应数据当中推断出结论。最常见的无监督学习方法为聚类分析，次要用于发觉分组数据内存在的隐蔽模式。 深度学习： 深度学习属于机器学习的一个子域，其相关算法遭到大脑结构与功能（即人工神经网络）的启发。深度学习如今的全部价值皆通过监督式学习或经过标记的数据及算法实现。深度学习中的每种算法皆经过相同的学习过程。深度学习包含输入内容的非近线变换层级结构，可用于创建统计模型并输出对应结果。 机器学习过程使用以下步骤进行定义： 1. 确定相关数据集并预备进行分析。 2. 选择要使用的算法类型。 3. 依据所使用的算法构建分析模型。 4. 立足测试数据集进行模型训练，并依据需要进行模型修改。 5. 运转模型以生成测试评分。 机器学习与深度学习间的区分 1. 数据量： 机器学习能够顺应各种数据量，特殊是数据量较小的场景。在另一方面，假如数据量快速添加，那么深度学习的效果将更为突出。下图呈现了不同数据量下机器学习与深度学习的效能水平。 2. 硬件依靠性： 与传统机器学习算法相反，深度学习算法在设计上高度依靠于高端设备。深度学习算法需要执行大量矩阵乘法运算，因而需要充分的硬件资源作为支持。 3. 特征工程： 特征工程是将特定领域学问放入指定特征的过程，旨在削减数据简单性水平并生成可用于学习算法的模式。 示例：传统的机器学习模式专注于特征工程中所需要找像素及其他属性。深度学习算法则专注于数据的其他高级特征，因而能够降低处理每个新问题时特征提取器的实际工作量。 4. 问题处理方法 传统机器学习算法遵照标准程序以处理问题。它将问题拆分成数个部分，对其进行分别处理，而后再将结果结合起来以获得所需的答案。深度学习则以集中方式处理问题，而无需进行问题拆分。 5. 执行时间 执行时间是指训练算法所需要的时间量。深度学习需要大量时间进行训练，由于其中包含更多参数，因而训练的时间投入也更为可观。相对而言，机器学习算法的执行时间则相对较短。 6. 可解释性 可解释性是机器学习与深度学习算法间的次要区分之一——深度学习算法往往不具备可解释性。也正由于如此，业界在使用深度学习之前总会一再考量。 机器学习与深度学习的实际应用： 1. 通过指纹实现出勤打卡、人脸识别或者通过扫描车牌识别牌照号码的计算机视觉技术。 2. 搜索引擎中的信息检索功能，例如文本搜索与图像搜索。 3. 自动电子邮件营销与特定目标识别。 4. 癌症肿瘤医学诊断或其他慢性疾病特别形态识别。 5. 自然言语处理应用程序，例如照片标记。Facebook就供应此类功能以提升用户体验。 6. 在线广告。 将来进展趋势： 1. 随着业界越来越多地使用数据科学与机器学习技术，对各个组织而言，最重要的是将机器学习方案引入其现有业务流程。 2. 深度学习的重要程度正逐渐超越机器学习。现实已经证明，深度学习是目前最先进且实际效能最精彩的技术方案之一。 3. 机器学习与深度学习将在争辩与学术领域证明本身隐藏的巨大能量。 总结 在本文中，我们对机器学习与深度学习作出了概述，并通过插图了解二者间的差异以及将来进展趋势。目前，已经有大量人工智能型应用程序利用机器学习算法实现自主自助服务、提高代理生产力以及工作流程的牢靠性。信任机器学习与深度学习算法将在更多企业及行业领导组织当中带来感动人心的光明前景。