机器学习和深度学习的5个关键区别 - EDA365电子论坛网

通过机器学习，计算机系统通过编程来学习输入的数据，而不需要重复编程。换言之，他们不断地提高自己在任务上的表现，例如，在没有人帮助下玩游戏。机器学习被广泛应用于艺术、科学、金融、医疗等领域。有不同的方法让机器学习。有些是简单的，如一个基本的决策树;有些则要复杂得多，涉及多层人工神经网络。后者发生在深度学习中，我们一会儿再谈。

机器学习之所以成为可能，不仅仅是因为亚瑟·塞缪尔（ArthurSamuel）在1959年的突破性计划，使用了一个相对简单（按今天的标准）的搜索树作为其主要驱动程序，他的IBM计算机在跳棋方面不断得到改进。

多亏了互联网，大量的数据被创建和存储，这些数据可以提供给计算机系统，帮助他们“学习”。使用Python进行机器学习是当今最流行的方法。

有人认为深度学习是机器学习的下一个前沿，是最前沿的前沿。如果你看过Netflix，一些流媒体音乐服务会根据你过去听过的歌曲，或你点赞过的歌曲，为你推荐观看的内容。这些能力都建立在深入学习的基础上。谷歌的语音识别和图像识别算法也使用深度学习。

正如机器学习被认为是人工智能的一种类型，深度学习通常被认为是机器学习的一种类型，有人称之为子集。虽然机器学习使用简单的概念，如预测模型，深度学习使用人工神经网络，旨在模仿人类的思维和学习方式。你可能还记得高中生物学中，人脑的主要细胞成分和主要计算元素是神经元，每个神经连接就像一台小型计算机。大脑中的神经元网络负责处理各种输入：视觉、感觉等。

与机器学习一样，在深度学习的计算机系统中，还是一样被喂数据，但是信息往往是以巨大的数据集的形式存在的，因为深度学习系统需要大量的数据来理解，才能返回准确的结果。然后，人工神经网络根据数据提出一系列二元真/假问题，涉及高度复杂的数学计算，并根据得到的答案对数据进行分类。

因此，尽管机器学习和深度学习都属于人工智能的一般分类，而且都是从数据输入中“学习”，但两者之间有一些关键的区别。

不像在机器学习系统中，人类需要根据数据类型（例如，像素值、形状、方向）识别和手工编码应用的特征，深度学习系统会试图在不需要额外人工干预的情况下学习这些特征。以人脸识别程序为例，程序首先学习检测和识别人脸的边缘和线条，然后学习人脸的更重要部分，最后学习人脸的整体表示。这样做所涉及的数据量是巨大的，随着时间的推移和程序本身的训练，得到正确答案的概率（即准确识别人脸）便会增加。这种训练是通过使用神经网络进行的，类似于人脑的工作方式，不需要人重新编码程序。

由于要处理的数据量和所用算法中涉及的数学计算的复杂性，深度学习系统比简单的机器学习系统需要更强大的硬件。一种用于深度学习的硬件是图形处理单元（gpu）。机器学习程序可以在低端机器上运行，不需要那么多算力。

如您所料，由于深度学习系统需要大量的数据集，而且涉及到太多的参数和复杂的数学公式，因此深度学习系统可能需要花费大量的时间来训练。机器学习可能只需要几秒钟到几个小时，而深度学习可能需要几个小时到几个星期！

机器学习中使用的算法倾向于对数据进行部分解析，然后将这些部分结合起来得到结果或解决方案。深度学习系统可以一下子解决整个问题或场景。例如，如果您想要一个程序来识别图像中的特定对象（例如，它们是什么以及它们在停车场汽车牌照上的位置），您就必须通过机器学习完成两个步骤：首先是对象检测，然后是对象识别。但是，使用深度学习程序，您将输入图像，通过训练，程序将一次性得到已识别对象和其在图像中的位置。

考虑到上面提到的所有其他差异，您可能已经了解到机器学习和深度学习系统用于不同的应用程序。它们的用途：基本的机器学习应用程序包括预测程序（例如预测股票市场的价格或下一次飓风将在何时何地袭来）、垃圾电子邮件识别器，以及为医疗患者设计循证治疗计划的程序。

对于深度学习，除了上面提到的Netflix、音乐流服务和面部识别等例子之外，深度学习的一个广为宣传的应用是自动驾驶。这些程序使用多层神经网络来确定要避开的对象、识别红绿灯以及知道何时加速或减速。

机器学习和深度学习的未来蕴含着无穷的可能！越来越多的机器人不仅用在制造业，而且在一些其他方面可以改善我们的日常生活方式。医疗行业也可能会发生变化，因为深度学习有助于医生更早地预测或发现癌症，从而挽救生命。在金融领域，机器学习和深度学习可以帮助公司甚至个人节省资金，更聪明地投资，更有效地分配资源。