機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的區(qū)別

《機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的區(qū)別》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的區(qū)別1.機(jī)器學(xué)習(xí)簡介為了實現(xiàn)人工智能，我們會使用機(jī)器學(xué)習(xí)。我們有幾種用于機(jī)器學(xué)習(xí)的算法。例如：·Find-S·決策樹（Decisiontrees）·隨機(jī)森林（Randomforests）·人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks）通常，有3類學(xué)習(xí)算法：1.監(jiān)督機(jī)器學(xué)習(xí)算法進(jìn)行預(yù)測。此外，該算法在分配給數(shù)據(jù)點的值標(biāo)簽中搜索模式。2.無監(jiān)督機(jī)器學(xué)習(xí)算法：沒有標(biāo)簽與數(shù)據(jù)關(guān)聯(lián)。并且，這些?ML?算法將數(shù)據(jù)組成簇。此外，他需要描述其結(jié)構(gòu)，并使復(fù)雜的數(shù)據(jù)看起來簡單且能有條理的分析。3.增強(qiáng)機(jī)器學(xué)習(xí)算

2、法：我們使用這些算法選擇動作。并且，我們能看到它基于每個數(shù)據(jù)點。一段時間后，算法改變策略來更好地學(xué)習(xí)。2.深度學(xué)習(xí)簡介機(jī)器學(xué)習(xí)只關(guān)注解決現(xiàn)實問題。它還需要人工智能的一些想法。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)是兩個主要的僅關(guān)注深度學(xué)習(xí)的窄子集。我們需要應(yīng)用它來解決任何需要思考的問題——人類的或人為的。任何深度神經(jīng)網(wǎng)絡(luò)都將包含以下三層：l輸入層l隱藏層l輸出層我們可以說深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的最新術(shù)語。這是實現(xiàn)機(jī)器學(xué)習(xí)的一種方式。3.深度學(xué)習(xí)與機(jī)器學(xué)習(xí)我們用機(jī)器算法來解析數(shù)據(jù)，學(xué)習(xí)數(shù)據(jù)，并從中做出理智的判定

3、。根本上講，深度學(xué)習(xí)用于創(chuàng)建可自我學(xué)習(xí)和可理智判定的人工“神經(jīng)網(wǎng)絡(luò)”。我們可以說深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的子領(lǐng)域。4.機(jī)器學(xué)習(xí)與深度學(xué)習(xí)對比4.1.數(shù)據(jù)依賴性能是區(qū)別二者的最主要之處。當(dāng)數(shù)據(jù)量小時，深度學(xué)習(xí)算法表現(xiàn)不佳。這就是DL算法需要大量的數(shù)據(jù)才能完美理解的唯一原因。我們可以看到，人工創(chuàng)立的該場景之下算法占據(jù)上風(fēng)。上圖總結(jié)了該情況。4.2.硬件依賴通常，深度學(xué)習(xí)依賴于高端設(shè)備，而傳統(tǒng)學(xué)習(xí)依賴于低端設(shè)備。因此，深度學(xué)習(xí)要求包含GPU。這是它工作中不可或缺的一部分。它們還需要進(jìn)行大量的矩陣乘法運算。4.3.功能工程化這是一個通用的過程

4、。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，并使模式對學(xué)習(xí)算法的工作原理上更可見，雖然處理起來非常困難。因此，這是耗時并需要專業(yè)知識的。4.4.解決問題的方法通常，我們使用傳統(tǒng)算法來解決問題。但它需要將問題分解為不同的部分以單獨解決它們。要獲得結(jié)果，請將它們?nèi)亢喜⑵饋?。例如：讓我們假定你有一個多對象檢測的任務(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步驟：l對象檢測l對象識別首先，我們使用抓取算法遍歷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

5、使用諸如SVM和HOG這樣的對象識別算法來識別相關(guān)對象。4.5.執(zhí)行時間通常，與機(jī)器學(xué)習(xí)相比，深度學(xué)習(xí)需要更多時間進(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)需要進(jìn)行訓(xùn)練的時間較少，從幾秒鐘到幾個小時范圍內(nèi)。4.6.可解釋性我們將可解釋性作為比較兩種學(xué)習(xí)技術(shù)的因素。盡管如此，深度學(xué)習(xí)在工業(yè)應(yīng)用之前仍然被考慮再三。5.機(jī)器學(xué)習(xí)和深度學(xué)習(xí)應(yīng)用l計算機(jī)視覺：我們將其用于像車牌識別和面部識別等應(yīng)用。l信息檢索：我們將ML和DL用于像囊括文本檢索及圖像檢索的搜索引擎等應(yīng)用。l市場營銷：我們在自動電子郵件營銷及客戶群識別上使用這些

6、學(xué)習(xí)技術(shù)。l醫(yī)療診斷：它在醫(yī)療領(lǐng)域也有廣泛的應(yīng)用，像癌癥識別及異常檢測等應(yīng)用。l自然語言處理l針對類似情感分析、照片標(biāo)簽生成、在線廣告等應(yīng)用l此處可了解更多關(guān)于機(jī)器學(xué)習(xí)類應(yīng)用。6.未來趨勢l如今，機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)已經(jīng)成為一種趨勢。在企業(yè)中，對這兩種產(chǎn)品的需求都在迅速增長。對于那些想要在自己的業(yè)務(wù)中融入機(jī)器學(xué)習(xí)的公司，兩者被迫切地需求著。l深度學(xué)習(xí)被發(fā)現(xiàn)和證明有最好的技術(shù)表現(xiàn)力。并且，深度學(xué)習(xí)正在不斷給我們帶來驚喜并將在不久的將來繼續(xù)這樣做。l近年來，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，在

7、工業(yè)和學(xué)術(shù)界中ML和DL都有自己的一席之地。