机器学习 vs. 深度学习

目标

在这篇文章中,我们将研究深度学习和机器学习的对比。我们也将分别学习它们。我们还将讨论他们在不同问题上的分歧。在进行深度学习和机器学习比较的同时,我们也会研究它们的未来趋势。

介绍 Deep Learning vs. Machine Learning

a.机器学习是什么?

一般来说,为了实现人工智能,我们使用机器学习。我们有几种用于机器学习的算法。例如:

find - s

决策树

随机森林

人工神经网络

一般来说,有三种学习算法:

有监督的机器学习算法进行预测。此外,该算法在分配给数据点的值标签中搜索模式。

无监督机器学习算法:没有标签与数据点相关。此外,这些ML算法将数据组织成一组集群。此外,它还需要描述其结构,使复杂的数据看起来简单、有组织以便进行分析。

强化机器学习算法:我们使用这些算法来选择动作。同样,我们可以看到它是基于每个数据点的。经过一段时间后,算法改变了策略以更好地学习。

b. 深度学习是什么?

机器学习只关注于解决现实世界中的问题。它还借鉴了一些人工智能的思想。机器学习是通过模拟人类决策能力的神经网络进行的。ML工具和技术是两个更关注深度学习的狭窄子集。我们需要用它来解决任何需要思考的问题——人的或人工的。任何深层神经网络都由三种类型的层组成:

输入层

隐藏层

输出层

我们可以说,深度学习是机器学习领域的最新术语。这是一种实现机器学习的方法。

深度学习VS机器学习

我们使用机器算法来解析数据,从数据中学习,并根据所学知识做出明智的决定。基本上,深度学习被用于创建一个人工“神经网络”,它可以自己学习并做出智能决策。我们可以说,深度学习是机器学习的一个子领域。

深度学习和机器学习比较

数据依赖关系

性能是两种算法的主要区别。虽然,当数据很小的时候,深度学习算法的表现并不好。这是DL算法需要大量数据才能完全理解它的唯一原因。

但是,在这个场景中,我们可以看到算法的使用及其手工规则的盛行。上述图像概括了这一事实。

硬件依赖性

一般来说,深度学习依赖于高端机器,而传统学习依赖于低端机器。因此,深度学习要求包括gpu。这是它工作的一部分。他们也做大量的矩阵乘法运算。

Feature Engineering

这是一个通用的过程。在此过程中,域知识被投入到特征提取器的创建中,以降低数据的复杂性,并使模式更加可见以学习算法的工作。尽管,这是很难处理的。因此,这需要花费时间和专业知识。

解决问题的方法

通常,我们使用传统的算法来解决问题。然而,它需要将一个问题分解成不同的部分来单独解决它们。为了得到一个结果,把它们结合起来。

例如:

让我们假设您有一个多目标检测任务。在这个任务中,我们必须确定对象是什么以及它在图像中的位置。在机器学习方法中,我们必须将问题分成两个步骤:

对象检测

对象识别

首先,我们使用grabcut算法浏览图像,找到所有可能的对象。然后,在所有被识别的对象中,您将使用一个对象识别算法,比如带有HOG的SVM来识别相关的对象。

执行时间

与机器学习相比,深度学习通常需要更多的时间来训练。主要原因是在深度学习算法中有很多参数。而机器学习的训练时间要短得多,从几秒钟到几个小时不等。

可解释性

我们有解释能力作为比较两种学习方法的一个因素。

机器学习和深度学习被应用在哪里?

计算机视觉:

我们将其用于不同的应用,如车牌识别和面部识别。

信息检索:

我们将ML和DL用于搜索引擎等应用程序,包括文本搜索和图像搜索。

市场营销:

我们在自动邮件营销和目标识别中使用这种学习技巧。

医学诊断:

在医学领域也有很广泛的应用。如癌症识别和异常检测。

自然语言处理

适用于情感分析、照片标签、在线广告等应用

未来趋势

如今,机器学习和数据科学是一种趋势。在企业中,对这两种产品的需求都在迅速增长。他们特别需要的是那些想要在自己的业务中融入机器学习的公司。

深度学习被发现,并证明有最好的技术与性能。因此,深度学习是令人惊讶的,并将在不久的将来继续领先。

近年来,研究人员不断探索机器学习和深度学习。过去,研究人员仅限于学术界。但是,如今,ML和DL的研究在工业和学术界都有一席之地。

结论

我们研究了深度学习和机器学习,并对两者进行了比较。如果你有任何问题,请在评论部分留言。

请关注公众号:程序你好

原文发布于微信公众号 - 程序你好(codinghello)

原文发表时间:2018-08-21

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏人工智能

深度学习与机器学习

机器学习和深度学习变得风靡一时!突然之间,每个人都在谈论他们 —— 不管他们是否了解这两者的区别!无论您是否关注数据科学,你肯定听过这些术语。

29511
来自专栏技术翻译

机器学习和深度学习有什么区别?

在本文中,我们将研究深度学习和机器学习之间的差异。我们将逐一了解它们,然后讨论他们在各个方面的不同之处。除了深度学习和机器学习的比较外,我们还将研究他们未来的趋...

2323
来自专栏ATYUN订阅号

【学术】当你开始深度学习时,请注意这些事情

深度学习为数据科学提供了非常有效的工具,几乎可以解决任何领域的问题,并使用任何类型的数据。然而,深度学习算法的非直观性推导和使用需要非常仔细的实验设计,如果不能...

38610
来自专栏AI科技大本营的专栏

AI 技术讲座精选:深度学习是如何改变数据科学范式的?

【AI100 导读】深度学习正在改变一切。就像电子学和计算机改变了所有的经济活动一样,人工智能将重塑零售、运输、制造、医药、电信、重工业等行业,即使是数据科学本...

3368
来自专栏新智元

【一文读懂】机器学习最新主战场迁移学习,从原理、方法到应用

【新智元导读】吴恩达在他的 NIPS 2016 tutorial 中曾说,迁移学习将是监督学习之后的,在ML 的商业应用中得到成功的下一波动力。现实世界是混乱的...

3225
来自专栏机器之心

观点 | 为什么深度学习仍未取代传统的计算机视觉技术?

选自zbigatron 作者:Zbigatron 机器之心编译 参与:张楚、黄小天 本文作者认为,深度学习只是一种计算机视觉工具,而不是包治百病的良药,不要因为...

3484
来自专栏人工智能LeadAI

为什么在实际的 kaggle 比赛中 gbdt 和 random forest 效果非常好?

这是一个非常好,也非常值得思考的问题。换一个方式来问这个问题:为什么基于 tree-ensemble 的机器学习方法,在实际的 kaggle 比赛中效果非常好?...

4303
来自专栏企鹅号快讯

人工智能与机器学习有哪些不同

每天读一篇一线开发者原创好文 来自:51CTO.COM,作者:RickyHo,刘妮娜译 链接:http://network.51cto.com/art/2017...

3030
来自专栏机器之心

学界 | 斯坦福大学&DeepMind联合提出机器人控制新方法,RL+IL端到端地学习视觉运动策略

选自arXiv 作者:朱玉可等 机器之心编译 参与:路雪、思源 近日,来自斯坦福大学&DeepMind 的研究者提出一种学习机器人深度视觉运动策略的新方法,它结...

2785
来自专栏ATYUN订阅号

OpenAI:通过无监督学习提高语言理解能力

研究者通过一个可扩展的,与任务无关的系统获得了一系列不同语言任务的最新成果,这一系统也即将发布。此方法结合了两种现有的想法:Transformer和无监督的预训...

1254

扫码关注云+社区

领取腾讯云代金券