机器学习和深度学习之间的5大区别

目录

大多数人没有意识到，作为人工智能（AI）的一种类型，机器学习诞生于20世纪50年代。阿瑟-塞缪尔在1959年写了第一个计算机学习程序，其中一台IBM计算机在跳棋游戏中玩得越久就越好。快进到今天，人工智能不仅仅是尖端技术；它可以带来高薪和令人兴奋的工作。机器学习工程师的需求量很大，因为正如upsaily MLETomasz Dudek所说，数据科学家和软件工程师都不具备机器学习领域所需的精确技能。公司需要精通这两个领域的专业人员，但又能做到数据科学家和软件工程师都做不到的事情。这个人就是机器学习工程师。

人工智能"、"机器学习 "和 "深度学习 "这些术语经常被交替使用，但如果你正在考虑从事人工智能方面的工作，就必须知道它们有什么不同。根据《牛津生活词典》，人工智能是 "能够执行通常需要人类智慧的任务的计算机系统的理论和发展，如视觉感知、语音识别、决策和语言之间的翻译"。虽然它们可能被称为 "智能"，但一些人工智能计算机系统并不能自行学习；这就是机器学习和深度学习的作用。

什么是机器学习？

通过机器学习，计算机系统被编程为从输入的数据中学习，而无需不断地重新编程。换句话说，它们不断提高自己在一项任务上的表现--例如，玩游戏--而无需人类的额外帮助。机器学习正在被广泛地应用于各个领域：艺术、科学、金融、医疗--你能想到的都有。而且有不同的方法让机器学习。有些很简单，如基本的决策树，有些则复杂得多，涉及多层人工神经网络。后者发生在深度学习中。我们将在一分钟内更多地讨论这个问题。

机器学习不仅是由阿瑟-塞缪尔在1959年的突破性程序--使用相对简单（以今天的标准）的搜索树作为其主要驱动力，他的IBM计算机在跳棋方面不断改进--而且也是由互联网促成的。由于互联网的存在，大量的数据被创造和储存，这些数据可以被提供给计算机系统，以帮助它们 "学习"。

使用R的机器学习和使用Python的机器学习是当今两种流行的方法。虽然我们不会在本文中讨论具体的编程语言，但如果你想更深入地研究用R进行的机器学习和用Python进行的机器学习，了解R或Python是有帮助的。

什么是深度学习？

有些人认为深度学习是机器学习的下一个前沿领域，是前沿中的前沿。你可能已经在不知不觉中体验到了深度学习程序的结果！这就是深度学习。如果你曾经看过Netflix，你可能已经看到它对观看内容的推荐。一些流媒体音乐服务会根据你过去听过的歌曲或你竖起大拇指或点击 "喜欢 "按钮的歌曲来选择歌曲。这两种能力都是基于深度学习的。谷歌的语音识别和图像识别算法也使用深度学习。

就像机器学习被认为是人工智能的一种类型一样，深度学习通常被认为是机器学习的一种类型--有些人称它为子集。机器学习使用更简单的概念，如预测模型，而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。你可能记得高中生物课上说过，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计算机。大脑中的神经元网络负责处理所有种类的输入：视觉、感官，等等。

对于深度学习计算机系统，就像机器学习一样，输入仍然被输入，但信息往往是以巨大的数据集形式出现，因为深度学习系统需要大量的数据来理解它并返回准确的结果。然后，人工神经网络根据数据提出一系列二进制真/假问题，涉及高度复杂的数学计算，并根据收到的答案对这些数据进行分类。

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"，但机器学习和深度学习之间有一些关键区别。

机器学习和深度学习之间的5个关键区别

1.人工干预

对于机器学习系统，人类需要根据数据类型（例如，像素值、形状、方向）来识别和手工编码所应用的特征，而深度学习系统则试图学习这些特征而不需要额外的人类干预。以一个面部识别程序为例。该程序首先学习检测和识别人脸的边缘和线条，然后是人脸的更重要的部分，最后是人脸的整体表现。这样做所涉及的数据量是巨大的，随着时间的推移和程序的自我训练，正确答案（即准确识别人脸）的概率增加。而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，不需要人去重新编码程序。

2.2.硬件

由于正在处理的数据量和所使用的算法中涉及的数学计算的复杂性，深度学习系统需要比简单的机器学习系统更强大的硬件。用于深度学习的一种硬件类型是图形处理单元（GPU）。机器学习程序可以在低端机器上运行，没有那么多的计算能力。

3.时间

正如你所期望的，由于深度学习系统需要巨大的数据集，并且由于涉及许多参数和复杂的数学公式，深度学习系统可能需要大量的时间来训练。机器学习可能只需要几秒钟到几小时的时间，而深度学习则需要几小时到几周的时间!

4.方法

机器学习中使用的算法倾向于分部分解析数据，然后将这些部分结合起来，得出一个结果或解决方案。深度学习系统则是一气呵成地看待整个问题或场景。例如，如果你想让一个程序识别图像中的特定物体（它们是什么以及它们的位置--例如，停车场中的汽车牌照），你就必须通过机器学习的两个步骤：首先是物体检测，然后是物体识别。另一方面，通过深度学习程序，你可以输入图像，通过训练，程序将在一个结果中返回识别的物体和它们在图像中的位置。

5.应用

考虑到上面提到的所有其他差异，你可能已经明白机器学习和深度学习系统是用于不同的应用。它们在哪里被使用。基本的机器学习应用包括预测程序（如预测股票市场的价格或下一场飓风将在何时何地袭击），电子邮件垃圾邮件识别器，以及为医疗病人设计循证治疗方案的程序。除了上面提到的Netflix、音乐流服务和面部识别的例子外，深度学习的一个备受关注的应用是自动驾驶汽车--程序使用许多层神经网络来做一些事情，如确定要避开的物体，识别交通灯，并知道何时加速或减速。要了解更多关于机器学习的应用，请查看这篇文章。

机器学习和深度学习的未来趋势

机器学习和深度学习在未来的可能性几乎是无止境的!机器人的使用增加是必然的，不仅是在制造业，而且可以在大大小小的方面改善我们的日常生活。医疗保健行业也可能会发生变化，因为深度学习可以帮助医生做一些事情，比如更早地预测或发现癌症，这可以拯救生命。在金融方面，机器学习和深度学习准备帮助公司甚至个人省钱，更明智地投资，并更有效地分配资源。而这三个领域只是机器学习和深度学习未来趋势的开始。许多将被改善的领域现在还只是开发者想象中的火花。

结语

因此，希望这篇机器学习与深度学习的文章能给你带来所有的信息。深度学习的文章已经给了你所有关于机器学习与深度学习的基础知识，以及对机器学习和深度学习未来趋势的一瞥。