機器學習與深度學習的比較
機器學習與深度學習2.png
近年來人工智慧的概念越來越火爆。無論是不是能理解，人們經常都會看到人工智慧、機器學習或者深度學習這些概念。那麼，究竟什麼是機器學習和深度學習，他們和人工智慧的關係又是什麼呢。“機器學習”和“深度學習”聽起來像是同義詞，從概念上來講都是人工智慧的具體實現方式，然而，他們之間還是有一些不同之處的。
機器學習
機器學習是人工智慧的一個子集，它利用統計技術提供了向計算機“學習”資料的能力，而不需要複雜的程式設計。簡單來說，機器學習可以被定義為一種科學，它使計算機像人類一樣行動和學習，並通過以實際互動和觀察的形式向他們提供資訊和資料，以獨立的方式提高他們的學習能力。機器學習鼓勵各種行業的各種自動化跨度和任務，從分析惡意軟體或資料安全公司到尋求有利交易的財務專家，都是機器學習的應用場景。
讓我們舉一個著名的音樂流媒體服務的例子，該服務必須決定應該向聽眾推薦哪個新的藝術家或歌曲。機器學習演算法幫助聽眾選擇具有相同品味的其他聽眾。在這種情況下，機器學習將作為虛擬助手工作，為使用者提供有關音樂行業新口味和需求的資訊，系統可以根據這些資訊向聽眾推薦新歌。
深度學習
與特定於任務的演算法不同，深度學習是基於學習資料的機器學習的子集。它的靈感來自被稱為人工神經網路的功能和結構。深度學習通過學習將世界顯示為更簡單的概念和層次結構，以及基於不那麼抽象的概念來計算更抽象的代表，從而獲得巨大的靈活性和力量。儘管深度學習這個詞現在已經說了好幾年了，但是現在所有人都在大肆宣傳，它正受到越來越多的關注。
為了理解這個概念，舉一個動物識別器的例子，它有助於識別給定的影象是獅子還是鹿。當我們將此解決為傳統的機器學習問題時，我們將涉及特定的特徵，比如說給定的動物是否有耳朵，是否有鬍鬚或任何其他器官。簡單來說，我們將定義面部特徵，讓系統識別動物。另一方面，在深度學習中，從第一步開始。深度學習將自動對關鍵特徵進行定義和分類。深度學習將首先確定找出獅子或鹿的最相關因素。稍後它將開始識別形狀和邊緣的組合，以更深入地識別物件。例如，如果物件有耳朵或者有鬍鬚。在定義了這些概念的連續分層識別之後，它將決定哪些特徵負責找到正確的答案。
何時使用深度學習或者機器學習？
1.資料依賴性
傳統機器學習和深度學習之間最重要的區別在於資料規模升級時的效能。當資料很小時，深度學習演算法不能很好地執行，因為它們需要大資料來完美地識別和理解它。然而，機器學習演算法能在這種情況下工作。
2.硬體依賴性
深度學習演算法在很大程度上依賴於高階機器，因為深度學習包括GPU，它是其工作中不可或缺的一部分。由於深度學習通過大量矩陣乘法進行遺傳操作，因此通過使用專為此目的而構建的GPU，可以高效地優化這些操作。與此相比，傳統的機器學習演算法可以在低端機器上執行。
3.特徵工程
特徵工程是指在建立特徵提取器時放置領域知識的過程，以便降低資料複雜性並使模式對學習演算法可見，以便它們可以工作。整個過程非常昂貴且困難，需要大量的時間和專業知識。在傳統的機器學習中，所有應用的特徵都由專家識別，後者根據資料型別和域對其進行手工編碼。例如，特徵可以是形狀，畫素值，紋理，方向和位置。機器學習演算法的效能取決於識別和提取的特徵的準確性。另一方面，深度學習演算法從資料中識別這些高階特徵，因此減少了為每個問題開發全新特徵提取器的工作量。
4.邏輯的解釋性
解釋性也是深度學習在應用於行業之前必須考慮的因素之一。例如，如果我們使用深度學習為任何論文提供自動評分。雖然它的表現非常出色，但不會透露給出該分數的原因。您可以隨時在數學上找出在評分時啟用的深層神經網路的節點，但您永遠不會知道這些神經元的模型是什麼以及它們共同做了什麼。如此深入的學習使我們無法解釋結果。然而，機器學習演算法為我們提供了一套清晰的規則，根據這些規則選擇了分數。因此，解釋它背後的邏輯變得容易。
在哪裡使用機器學習或者深度學習？
- 計算機視覺：適用於車輛編號，面部 識別和印版識別等應用
- 資訊檢索：對搜尋引擎，影象搜尋和文字搜尋等應用程式很有用
- 營銷： 適用於目標識別和自動電子郵件 營銷等應用
- 醫療診斷：適用於癌症或任何其他嚴重疾病檢測等應用。
- 自然語言處理：適用於照片標記，線上廣告和情感分析等應用
應該選擇哪個
在本文中，我們討論了機器學習和深度學習技術之間的區別。雖然深度學習目前已經能更好地實現機器學習不能滿足的大量實際應用，但在許多應用場景中，機器學習仍然大有市場。深度學習是機器學習的一個子集，與傳統的機器學習演算法相比，它已被證明是行業中更強大，更具有潛力的分支。它以分層的特點，實現了很多傳統機器學習無法實現的功能。無人駕駛汽車，電影推薦系統，甚至預防性醫療保健技術的推進都是深度學習的結果，它成功地使人工智慧成為世界的現在和未來。但是，儘管傳統機器學習無法實現其現代化的應用，但事實證明它在某些小型化應用中依然有不可替代的優勢，因此需要在應用時斟酌與選擇。
機器學習與深度學習.png