機器學習和深度學習的區(qū)別是什么？隨著業(yè)內(nèi)對數(shù)據(jù)科學和機器學習使用的日益增長的趨勢，對于每個想要生存下來的公司來說，重視機器學習將變得非常重要。今天小編從應(yīng)用場景、所需數(shù)據(jù)量、數(shù)據(jù)依賴性、硬件依賴、特征處理、執(zhí)行時間、解決問題的方法這幾個方面的對比他們之前的區(qū)別。6J8少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

　　深度學習與機器學習的主要區(qū)別是在于性能。當數(shù)據(jù)量很少的時候，深度學習的性能并不好，因為深度學習算法需要大量數(shù)據(jù)才能很好理解其中蘊含的模式，接下來我們具體分析下。6J8少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

　　一、機器學習和深度學習概念：6J8少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

　　1、機器學習　　機器學習(Machine Learning，ML)是人工智能的子領(lǐng)域，也是人工智能的核心。它囊括了幾乎所有對世界影響**大的方法(包括深度學習)。機器學習理論主要是設(shè)計和分析一些讓計算機可以自動學習的算法。6J8少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

　　2、深度學習　　深度學習(DeepLearning，DL)屬于機器學習的子類。它的靈感來源于人類大腦的工作方式，是利用深度神經(jīng)網(wǎng)絡(luò)來解決特征表達的一種學習過程。深度神經(jīng)網(wǎng)絡(luò)本身并非是一個全新的概念，可理解為包含多個隱含層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。為了提高深層神經(jīng)網(wǎng)絡(luò)的訓練效果，人們對神經(jīng)元的連接方法以及激活函數(shù)等方面做出了調(diào)整。其目的在于建立、模擬人腦進行分析學習的神經(jīng)網(wǎng)絡(luò)，模仿人腦的機制來解釋數(shù)據(jù)，如文本、圖像、聲音。6J8少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

　　深度學習是一種特殊的機器學習，通過學習將世界使用嵌套的概念層次來表示并實現(xiàn)巨大的功能和靈活性，其中每個概念都定義為與簡單概念相關(guān)聯(lián)，而更為抽象的表示則以較不抽象的方式來計算。6J8少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

　　機器學習與深度學習的區(qū)別：6J8少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

　　1、應(yīng)用場景　　機器學習在指紋識別、特征物體檢測等領(lǐng)域的應(yīng)用基本達到了商業(yè)化的要求。深度學習主要應(yīng)用于文字識別、人臉技術(shù)、語義分析、智能監(jiān)控等領(lǐng)域。目前在智能硬件、教育、醫(yī)療等行業(yè)也在快速布局。6J8少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

　　2、所需數(shù)據(jù)量　　機器學習能夠適應(yīng)各種數(shù)據(jù)量，特別是數(shù)據(jù)量較小的場景。如果數(shù)據(jù)量迅速增加，那么深度學習的效果將更加突出，這是因為深度學習算法需要大量數(shù)據(jù)才能完美理解。6J8少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

　　3、數(shù)據(jù)依賴性　　深度學習與傳統(tǒng)的機器學習**主要的區(qū)別在于隨著數(shù)據(jù)規(guī)模的增加其性能也不斷增長。當數(shù)據(jù)很少時，深度學習算法的性能并不好。這是因為深度學習算法需要大量的數(shù)據(jù)來完美地理解它。另一方面，在這種情況下，傳統(tǒng)的機器學習算法使用制定的規(guī)則，性能會比較好。6J8少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

　　3、硬件依賴　　深度學習算法需要進行大量的矩陣運算，GPU 主要用來高效優(yōu)化矩陣運算，所以 GPU 是深度學習正常工作的必須硬件。與傳統(tǒng)機器學習算法相比，深度學習更依賴安裝 GPU 的高端機器。6J8少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

　　4、特征處理　　特征處理是將領(lǐng)域知識放入特征提取器里面來減少數(shù)據(jù)的復(fù)雜度并生成使學習算法工作的更好的模式的過程。特征處理過程很耗時而且需要專業(yè)知識。在機器學習中，大多數(shù)應(yīng)用的特征都需要專家確定然后編碼為一種數(shù)據(jù)類型。特征可以使像素值、形狀、紋理、位置和方向。6J8少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

　　大多數(shù)機器學習算法的性能依賴于所提取的特征的準確度。深度學習嘗試從數(shù)據(jù)中直接獲取高等級的特征，這是深度學習與傳統(tǒng)機器學習算法的主要的不同?；诖?，深度學習削減了對每一個問題設(shè)計特征提取器的工作。例如，卷積神經(jīng)網(wǎng)絡(luò)嘗試在前邊的層學習低等級的特征(邊界，線條)，然后學習部分人臉，然后是高級的人臉的描述。更多信息可以閱讀神經(jīng)網(wǎng)絡(luò)機器在深度學習里面的有趣應(yīng)用。6J8少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

　　5、執(zhí)行時間　　執(zhí)行時間是指訓練算法所需要的時間量。一般來說，深度學習算法需要大量時間進行訓練。這是因為該算法包含有很多參數(shù)，因此訓練它們需要比平時更長的時間。相對而言，機器學習算法的執(zhí)行時間更少。6J8少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

　　通常情況下，訓練一個深度學習算法需要很長的時間。這是因為深度學習算法中參數(shù)很多，因此訓練算法需要消耗更長的時間。**先進的深度學習算法 ResNet完整地訓練一次需要消耗兩周的時間，而機器學習的訓練會消耗的時間相對較少，只需要幾秒鐘到幾小時的時間。 6J8少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

　　但兩者測試的時間上是完全相反。深度學習算法在測試時只需要很少的時間去運行。如果跟 k-nearest neighbors（一種機器學習算法）相比較，測試時間會隨著數(shù)據(jù)量的提升而增加。不過這不適用于所有的機器學習算法，因為有些機器學習算法的測試時間也很短。6J8少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

　　6、解決問題的方法　　機器學習算法遵循標準程序以解決問題。它將問題拆分成數(shù)個部分，對其進行分別解決，而后再將結(jié)果結(jié)合起來以獲得所需的答案。深度學習則以集中方式解決問題，而不必進行問題拆分。當應(yīng)用傳統(tǒng)機器學習算法解決問題的時候，傳統(tǒng)機器學習通常會將問題分解為多個子問題并逐個子問題解決**后結(jié)合所有子問題的結(jié)果獲得**終結(jié)果。相反，深度學習提倡直接的端到端的解決問題。6J8少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

　　對于機器學習和深度學習的研究是持續(xù)的，機器學習和深度學習方面的研究將在業(yè)界和學術(shù)界都有爆發(fā)式的發(fā)展。且擁有比以往更多的資助，更有可能成為人類整體發(fā)展的主旋律。6J8少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺