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
機器學習和深度學習有什麼區別？讓我們從本文中尋找答案。
目標
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
一. 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。
二.什麼是深度學習?
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。
轉自網站：開源中國
關注公眾賬號
【飛馬會】
▼
往期福利
關注飛馬會公眾號，回覆對應關鍵詞打包下載學習資料；回覆“入群”，加入飛馬網AI、大資料、專案經理學習群，和優秀的人一起成長！
回覆 數字“1”下載從入門到研究，人工智慧領域最值得一讀的10本資料（附下載）
回覆 數字“2”機器學習 & 資料科學必讀的經典書籍，內附資料包！
回覆 數字“3”走進AI & ML：從基本的統計學到機器學習書單（附PDF下載）
回覆 數字“4”瞭解人工智慧，30份書單不容錯過（附電子版PDF下載）
回覆 數字“5”大資料學習資料下載，新手攻略，資料分析工具、軟體使用教程
回覆 數字“6”AI人工智慧：54份行業重磅報告彙總（附下載）
回覆 數字“7”TensorFlow介紹、安裝教程、影象識別應用（附安裝包/指南）
回覆 數字“8”大資料資料全解析(352個案例+大資料交易白皮書+國內外政策匯篇)
回覆 數字“9”乾貨 | 薦讀10本大資料書籍（初級/中級/高階）成為大資料專家！
回覆 數字“10”麥肯錫160頁報告：2030年全球將可能8億人要被機器搶飯碗
回覆 數字“11”50本書籍大禮包：AI人工智慧/大資料/Database/Linear Algebra/Python/機器學習/Hadoop
回覆 數字“12”小白| Python+Matlab+機器學習+深度神經網路+理論+實踐+視訊+課件+原始碼，附下載！
回覆 數字“13”大資料技術教程+書籍+Hadoop視訊+大資料研報+科普類書籍
回覆 數字“14”小白| 機器學習和深度學習必讀書籍+機器學習實戰視訊/PPT+大資料分析書籍推薦！
回覆 數字“15”大資料hadoop技術電子書+技術理論+實戰+原始碼分析+專家分享PPT
回覆 數字“16”100G Python從入門到精通！自學必備全套視訊教程+python經典書籍！
回覆 數字“17”【乾貨】31篇關於深度學習必讀論文彙總(附論文下載地址)
回覆 數字“18”526份行業報告+白皮書：AI人工智慧、機器人、智慧出行、智慧家居、物聯網、VR/AR、 區塊鏈等（附下載）
回覆 數字“19”800G人工智慧學習資料:AI電子書+Python語言入門+教程+機器學習等限時免費領取！
回覆 數字“20”17張思維導圖，一網打盡機器學習統計基礎（附下載）
回覆 數字“21”收藏 |7本 Matlab入門經典教程書籍，不可錯過！
回覆 數字“22”吳恩達新書，教你構建機器學習專案：《Machine Learning Yearning》
回覆 數字“23”機器學習：怎樣才能做到從入門到不放棄？（內含福利）
回覆 數字“24”限時下載 | 132G程式設計資料：Python、JAVA、C，C++、機器人程式設計、PLC，入門到精通~
回覆 數字“25”限資源 | 177G Python/機器學習/深度學習/演算法/TensorFlow等視訊，涵蓋入門/中級/專案各階段！
回覆 數字“26”人工智慧入門書單推薦，學習AI的請收藏好（附PDF下載）
回覆 數字“27”資源 | 吳恩達斯坦福CS230深度學習課程全套資料放出（附下載）
回覆 數字“28”懂這個技術的程式設計師被BAT瘋搶...（內含資料包）
回覆 數字“29”乾貨 | 28本大資料/資料分析/資料探勘電子書合集免費下載！
回覆 數字“30”領取 | 100+人工智慧學習、深度學習、機器學習、大資料、演算法等資料，果斷收藏！
回覆 數字“31”2G谷歌機器學習25講速成課全集（中文版），限時下載
回覆 數字“32”Matlab安裝包+教程視訊，讓你從入門到精通！
回覆 數字“33”程式設計師去阿里面試，沒想到過程如此壯烈 （內含資料包）
回覆 數字“34”內含乾貨 | 程式設計師離職四大原因，為何跳槽大資料成首選？
回覆 數字“35”40G 吳恩達機器學習+林軒田機器學習（基石+技法）高等數學和線性代數等視訊+書籍領取！
回覆 數字“36”286頁PDF教你如何搞明白深度學習的演算法、理論與計算系統！(可下載)
回覆 人工智慧下載《FMI人工智慧與大資料峰會嘉賓演講PPT》
回覆 AI 江湖下載《十大AI江湖領域》
回覆 ML實踐下載《機器學習實踐經驗指導（英文版）》
回覆 DL論文下載《深度學習100篇以上論文資料》
回覆 演算法 下載《資料探勘十大經典演算法》
回覆 6.10 下載《6.10餓了麼&飛馬網專案管理實踐PPT》