科普一下：機器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別和關(guān)系

機器學(xué)習(xí)對深度學(xué)習(xí)——二者間的相近之處與差異所在。

如今人工智能已經(jīng)成為一大熱門話題，而人工智能的基本構(gòu)建要素分為機器學(xué)習(xí)與深度學(xué)習(xí)。以下維恩圖解釋了機器學(xué)習(xí)與深度學(xué)習(xí)之間的關(guān)系：

機器學(xué)習(xí)：

機器學(xué)習(xí)是指令計算機按照設(shè)計與編程算法行事的技術(shù)。它允許計算機利用業(yè)已存在的數(shù)據(jù)進行學(xué)習(xí)。相當(dāng)一部分研究人員認(rèn)為機器學(xué)習(xí)是幫助人類在人工智能方面取得進展的最佳途徑。機器學(xué)習(xí)包括多種模式類型，例如：

1.監(jiān)督式學(xué)習(xí)模式

在這種模式下，各個例子或例證皆配合一種算法，該算法負(fù)責(zé)分析訓(xùn)練數(shù)據(jù)并生成推斷函數(shù)。

2. 無監(jiān)督學(xué)習(xí)模式

在這種學(xué)習(xí)模式下，基礎(chǔ)算法將從一組未標(biāo)記的響應(yīng)數(shù)據(jù)當(dāng)中推斷出結(jié)論。最常見的無監(jiān)督學(xué)習(xí)方法為聚類分析，主要用于發(fā)現(xiàn)分組數(shù)據(jù)內(nèi)存在的隱藏模式。

深度學(xué)習(xí)：

深度學(xué)習(xí)屬于機器學(xué)習(xí)的一個子域，其相關(guān)算法受到大腦結(jié)構(gòu)與功能（即人工神經(jīng)網(wǎng)絡(luò)）的啟發(fā)。深度學(xué)習(xí)如今的全部價值皆通過監(jiān)督式學(xué)習(xí)或經(jīng)過標(biāo)記的數(shù)據(jù)及算法實現(xiàn)。深度學(xué)習(xí)中的每種算法皆經(jīng)過相同的學(xué)習(xí)過程。深度學(xué)習(xí)包含輸入內(nèi)容的非近線變換層級結(jié)構(gòu)，可用于創(chuàng)建統(tǒng)計模型并輸出對應(yīng)結(jié)果。

機器學(xué)習(xí)過程使用以下步驟進行定義：

1. 確定相關(guān)數(shù)據(jù)集并準(zhǔn)備進行分析。

2. 選擇要使用的算法類型。

3. 根據(jù)所使用的算法構(gòu)建分析模型。

4. 立足測試數(shù)據(jù)集進行模型訓(xùn)練，并根據(jù)需要進行模型修改。

5. 運行模型以生成測試評分。

機器學(xué)習(xí)與深度學(xué)習(xí)間的區(qū)別 1. 數(shù)據(jù)量：

機器學(xué)習(xí)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。在另一方面，如果數(shù)據(jù)量迅速增加，那么深度學(xué)習(xí)的效果將更為突出。下圖展示了不同數(shù)據(jù)量下機器學(xué)習(xí)與深度學(xué)習(xí)的效能水平。

2. 硬件依賴性：

與傳統(tǒng)機器學(xué)習(xí)算法相反，深度學(xué)習(xí)算法在設(shè)計上高度依賴于高端設(shè)備。深度學(xué)習(xí)算法需要執(zhí)行大量矩陣乘法運算，因此需要充足的硬件資源作為支持。

3. 特征工程：

特征工程是將特定領(lǐng)域知識放入指定特征的過程，旨在減少數(shù)據(jù)復(fù)雜性水平并生成可用于學(xué)習(xí)算法的模式。

示例：傳統(tǒng)的機器學(xué)習(xí)模式專注于特征工程中所需要找像素及其他屬性。深度學(xué)習(xí)算法則專注于數(shù)據(jù)的其他高級特征，因此能夠降低處理每個新問題時特征提取器的實際工作量。

4. 問題解決方法

傳統(tǒng)機器學(xué)習(xí)算法遵循標(biāo)準(zhǔn)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(xué)習(xí)則以集中方式解決問題，而無需進行問題拆分。

5. 執(zhí)行時間

執(zhí)行時間是指訓(xùn)練算法所需要的時間量。深度學(xué)習(xí)需要大量時間進行訓(xùn)練，因為其中包含更多參數(shù)，因此訓(xùn)練的時間投入也更為可觀。相對而言，機器學(xué)習(xí)算法的執(zhí)行時間則相對較短。

6. 可解釋性

可解釋性是機器學(xué)習(xí)與深度學(xué)習(xí)算法間的主要區(qū)別之一——深度學(xué)習(xí)算法往往不具備可解釋性。也正因為如此，業(yè)界在使用深度學(xué)習(xí)之前總會再三考量。

機器學(xué)習(xí)與深度學(xué)習(xí)的實際應(yīng)用：

1. 通過指紋實現(xiàn)出勤打卡、人臉識別或者通過掃描車牌識別牌照號碼的計算機視覺技術(shù)。

2. 搜索引擎中的信息檢索功能，例如文本搜索與圖像搜索。

3. 自動電子郵件營銷與特定目標(biāo)識別。

4. 癌癥腫瘤醫(yī)學(xué)診斷或其他慢性疾病異常狀態(tài)識別。

5. 自然語言處理應(yīng)用程序，例如照片標(biāo)記。Facebook就提供此類功能以提升用戶體驗。

6. 在線廣告。

未來發(fā)展趨勢：

1. 隨著業(yè)界越來越多地使用數(shù)據(jù)科學(xué)與機器學(xué)習(xí)技術(shù)，對各個組織而言，最重要的是將機器學(xué)習(xí)方案引入其現(xiàn)有業(yè)務(wù)流程。

2. 深度學(xué)習(xí)的重要程度正逐步超越機器學(xué)習(xí)。事實已經(jīng)證明，深度學(xué)習(xí)是目前最先進且實際效能最出色的技術(shù)方案之一。

3. 機器學(xué)習(xí)與深度學(xué)習(xí)將在研究與學(xué)術(shù)領(lǐng)域證明自身蘊藏的巨大能量。

總結(jié)

在本文中，我們對機器學(xué)習(xí)與深度學(xué)習(xí)作出了概述，并通過插圖了解二者間的差異以及未來發(fā)展趨勢。目前，已經(jīng)有大量人工智能型應(yīng)用程序利用機器學(xué)習(xí)算法實現(xiàn)自主自助服務(wù)、提高代理生產(chǎn)力以及工作流程的可靠性。相信機器學(xué)習(xí)與深度學(xué)習(xí)算法將在更多企業(yè)及行業(yè)領(lǐng)導(dǎo)組織當(dāng)中帶來激動人心的光明前景。