深度學(xué)習(xí)與機(jī)器學(xué)習(xí)簡介

一、什么是機(jī)器學(xué)習(xí)？

通常，為了實(shí)現(xiàn)人工智能，我們使用機(jī)器學(xué)習(xí)。我們有幾種算法用于機(jī)器學(xué)習(xí)。例如：

Find-S算法

決策樹算法（Decision trees）

隨機(jī)森林算法（Random forests）

人工神經(jīng)網(wǎng)絡(luò)

通常，有3種類型的學(xué)習(xí)算法：

1，監(jiān)督機(jī)器學(xué)習(xí)算法用于進(jìn)行預(yù)測。此外，該算法搜索分配給數(shù)據(jù)點(diǎn)的值標(biāo)簽內(nèi)的模式。

2，無監(jiān)督機(jī)器學(xué)習(xí)算法：沒有標(biāo)簽與數(shù)據(jù)點(diǎn)相關(guān)聯(lián)。這些ML算法將數(shù)據(jù)組織成一組簇。此外，它需要描述其結(jié)構(gòu)，使復(fù)雜的數(shù)據(jù)看起來簡單，有條理，便于分析。

3，增強(qiáng)機(jī)器學(xué)習(xí)算法：我們使用這些算法來選擇動作。此外，我們可以看到它基于每個(gè)數(shù)據(jù)點(diǎn)。一段時(shí)間后，算法改變其策略以更好地學(xué)習(xí)。

二、什么是深度學(xué)習(xí)？

機(jī)器學(xué)習(xí)只關(guān)注解決現(xiàn)實(shí)問題。它還需要更加智能的一些想法。機(jī)器學(xué)習(xí)通過旨在模仿人類決策能力的神經(jīng)網(wǎng)絡(luò)。ML工具和技術(shù)是關(guān)鍵的兩個(gè)深度學(xué)習(xí)的窄子集，我們需要用他們來解決需要思考的問題。任何深度神經(jīng)網(wǎng)絡(luò)都將包含三種類型的圖層：

輸入層

隱藏層

輸出層

我們可以說深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的最新領(lǐng)域。這是實(shí)現(xiàn)機(jī)器學(xué)習(xí)的一種方式。

深度學(xué)習(xí)與機(jī)器學(xué)習(xí)

我們使用機(jī)器算法來解析數(shù)據(jù)，從數(shù)據(jù)中學(xué)習(xí)，并根據(jù)所學(xué)知識做出明智的決策?；旧?，深度學(xué)習(xí)用于創(chuàng)建人工“神經(jīng)網(wǎng)絡(luò)” ，可以自己學(xué)習(xí)和做出明智的決策。我們可以說深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子領(lǐng)域。

機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的比較

數(shù)據(jù)依賴性

性能是兩種算法之間的主要關(guān)鍵區(qū)別。雖然，當(dāng)數(shù)據(jù)很小時(shí)，深度學(xué)習(xí)算法表現(xiàn)不佳。這就是是深度學(xué)習(xí)算法需要大量數(shù)據(jù)才能完美理解的原因。

但是，在這種情況下，我們可以看到算法的使用以及他們手工制作的規(guī)則。上圖總結(jié)了這一事實(shí)。

硬件依賴

通常，深度學(xué)習(xí)依賴于高端機(jī)器，而傳統(tǒng)學(xué)習(xí)依賴于低端機(jī)器。因此，深度學(xué)習(xí)要求包括GPU。這是它工作中不可或缺的一部分。它們還進(jìn)行大量的矩陣乘法運(yùn)算。

特色工程

這是一個(gè)普遍的過程。在此，領(lǐng)域知識被用于創(chuàng)建特征提取器，以降低數(shù)據(jù)的復(fù)雜性，并使模式更加可見以學(xué)習(xí)算法的工作。雖然，處理起來非常困難。因此，這是需要非常多的專業(yè)知識和時(shí)間。

解決問題的方法

通常，我們使用傳統(tǒng)算法來解決問題。但是，它需要將問題分解為不同的部分以單獨(dú)解決它們。要獲得結(jié)果，請將它們?nèi)拷M合起來。

例如：

讓我們假設(shè)你有一個(gè)多對象檢測的任務(wù)。在此任務(wù)中，我們必須確定對象是什么以及它在圖像中的位置。在機(jī)器學(xué)習(xí)方法中，我們必須將問題分為兩個(gè)步驟：

1.物體檢測

2.物體識別

首先，我們使用抓取算法瀏覽圖像并找到所有可能的對象。然后，在所有已識別的對象中，你將使用像SVM和HOG這樣的對象識別算法來識別相關(guān)對象。

執(zhí)行時(shí)間處理時(shí)間

通常，與機(jī)器學(xué)習(xí)相比，深度學(xué)習(xí)需要更多時(shí)間進(jìn)行訓(xùn)練。主要原因是深度學(xué)習(xí)算法中有太多參數(shù)。機(jī)器學(xué)習(xí)只花需要更少的時(shí)間進(jìn)行訓(xùn)練。

解釋性

我們將可解釋性作為比較兩種學(xué)習(xí)技巧的因素。盡管如此，深度學(xué)習(xí)在用于工業(yè)之前仍然被認(rèn)為是10次。

機(jī)器學(xué)習(xí)和深度學(xué)習(xí)在哪里應(yīng)用？

計(jì)算機(jī)視覺： 我們將其用于車牌識別和面部識別等不同應(yīng)用。

信息檢索： 我們將ML和DL用于搜索引擎，文本搜索和圖像搜索等應(yīng)用程序。

營銷：我們在自動電子郵件營銷和目標(biāo)識別中使用這種學(xué)習(xí)技術(shù)。

醫(yī)療診斷：它在醫(yī)學(xué)領(lǐng)域也有廣泛的應(yīng)用。癌癥鑒定和異常檢測等應(yīng)用。

自然語言處理：適用于情感分析，照片標(biāo)簽，在線廣告等應(yīng)用。

未來的趨勢

如今，機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)正處于趨勢中。在公司中，對它們的需求正在迅速增加。對于希望在其業(yè)務(wù)中集成機(jī)器學(xué)習(xí)而生存的公司而言，他們的需求尤其大。

深度學(xué)習(xí)被發(fā)現(xiàn)，并證明擁有最先進(jìn)的表演技術(shù)。因此，深度學(xué)習(xí)讓我們感到驚訝，并將在不久的將來繼續(xù)這樣做。

最近，研究人員不斷探索機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。過去，研究人員僅限于學(xué)術(shù)界。但是，如今，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的研究正在兩個(gè)行業(yè)和學(xué)術(shù)界中占據(jù)一席之地。

結(jié)論

我們研究了深度學(xué)習(xí)和機(jī)器學(xué)習(xí)，并研究了兩者之間的比較。我們還研究了圖像，以便更好地表達(dá)和理解。如果你有任何疑問，可以隨時(shí)在評論部分詢問。

原文標(biāo)題《Machine Learning vs. Deep Learning》，

作者:Shailna Patidar

譯者：謝子喬

作者：騰訊云加社區(qū)

鏈接：https://segmentfault.com/a/1190000016366633

來源：SegmentFault 思否

返回列表