人工智能算法与深度学习手册.docxVIP

算法与深度学习手册

第1章基础架构与核心概念

1.1深度学习与机器学习范式对比

机器学习（MachineLearning,ML）是一个广义的统计学习框架，其核心假设是数据中存在某种可学习的规律，目标是通过算法自动从数据中推断出映射关系，而无需明确定义模型结构；相比之下，深度学习（DeepLearning,DL）是机器学习的一个子集，它特指利用多层感知机（MLP）等深度神经网络来模拟生物大脑结构的学习方法，其核心优势在于能够自动从海量数据中提取高维特征，从而在图像识别、自然语言处理等复杂任务上超越传统机器学习算法。在ML范式中，通常需要人工设计特征工程，例如手动提取像素颜色直方图或词频统计量，这往往需要领域专家具备深厚的专业知识；而在DL范式中，网络的前层（如卷积层、自注意力层）会自动学习数据中的低级特征（如边缘、纹理、语法结构），无需人工干预，这种“黑盒”特性使得DL在处理非结构化数据时具有显著优势，但同时也带来了可解释性差的问题。

两者在训练目标上存在本质区别：ML通常追求预测一个具体的数值或类别标签，例如回归问题或二分类问题；而DL更侧重于学习数据的分布和潜在的高维表示，其评估往往不直接看预测值，而是看预测的分布与真实分布的相似度，例如使用均方误差（MSE）或交叉熵损失来衡量分布差异。训练机制上，传统ML算法如决策树或线性回归依赖精