您还未登录! 登录 | 注册 | 帮助  

您的位置: 首页 > 业务知识 > 正文

机器学习 VS 深度学习到底有啥区别,为什么更多人选择机器学习

发表于:2018-10-12 作者:佚名 来源:数据与算法之美

机器学习和深度学习有什么区别?让我们从本文中寻找答案。

目标

本文中,我们将深度学习与机器学习作比较。我们将逐一了解他们。我们还会讨论他们在各个方面的不同点。除了深度学习和机器学习的比较,我们还将研究它们未来的趋势。

对比介绍深度学习和机器学习

1. 什么是机器学习?

通常,为了实现人工智能,我们会使用机器学习。我们有几种用于机器学习的算法。例如:

  • Find-S
  • 决策树(Decision trees)
  • 随机森林(Random forests)
  • 人工神经网络(Artificial Neural Networks)

通常,有3类学习算法:

  • 监督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:没有标签与数据关联。并且,这些 ML 算法将数据组成簇。此外,他需要描述其结构,并使复杂的数据看起来简单且能有条理的分析。
  • 增强机器学习算法:我们使用这些算法选择动作。并且,我们能看到它基于每个数据点。一段时间后,算法改变策略来更好地学习。

2.什么是深度学习?

机器学习只关注解决现实问题。它还需要人工智能的一些想法。机器学习通过旨在模仿人类决策能力的神经网络。ML工具和技术是两个主要的仅关注深度学习的窄子集。我们需要应用它来解决任何需要思考的问题 —— 人类的或人为的。任何深度神经网络都将包含以下三层:

  • 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。这是实现机器学习的一种方式。

3. 深度学习vs机器学习

我们用机器算法来解析数据,学习数据,并从中做出理智的判定。根本上讲,深度学习用于创建可自我学习和可理智判定的人工“神经网络”。我们可以说深度学习是机器学习的子领域。

4. 机器学习与深度学习对比

a.数据依赖

性能是区别二者的最主要之处。当数据量小时,深度学习算法表现不佳。这就是DL算法需要大量的数据才能完美理解的唯一原因。

我们可以看到,人工创立的该场景之下算法占据上风。上图总结了该情况。

b. 硬件依赖

通常,深度学习依赖于高端设备,而传统学习依赖于低端设备。因此,深度学习要求包含 GPU。这是它工作中不可或缺的一部分。它们还需要进行大量的矩阵乘法运算。

c. 功能工程化

这是一个通用的过程。在此,领域知识被用于创建特征提取器,以降低数据的复杂性,并使模式对学习算法的工作原理上更可见,虽然处理起来非常困难。 因此,这是耗时并需要专业知识的。

d. 解决问题的方法

通常,我们使用传统算法来解决问题。但它需要将问题分解为不同的部分以单独解决它们。要获得结果,请将它们全部合并起来。

例如:

让我们假定你有一个多对象检测的任务。在此任务中,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,我们必须将问题分为两个步骤:

  • 对象检测
  • 对象识别

首先,我们使用抓取算法遍历图像并找到所有可能的对象。然后,在所有已识别的对象中,你将使用诸如 SVM 和 HOG 这样的对象识别算法来识别相关对象。

e.执行时间

通常,与机器学习相比,深度学习需要更多时间进行训练。主要原因是深度学习算法中有太多参数。机器学习需要进行训练的时间较少,从几秒钟到几个小时范围内。

f.可解释性

我们将可解释性作为比较两种学习技术的因素。尽管如此,深度学习在工业应用之前仍然被考虑再三。

机器学习和深度学习主要被应用在何处?

a. 计算机视觉:我们将其用于像车牌识别和面部识别等应用。

b. 信息检索:我们将 ML 和 DL 用于像囊括文本检索及图像检索的搜索引擎等应用。

c. 市场营销:我们在自动电子邮件营销及客户群识别上使用这些学习技术。

d. 医疗诊断:它在医疗领域也有广泛的应用,像癌症识别及异常检测等应用。

  • 自然语言处理
  • 针对类似情感分析、照片标签生成、在线广告等应用

此处可了解更多关于机器学习类应用。

未来趋势

  • 如今,机器学习和数据科学已经成为一种趋势。在企业中,对这两种产品的需求都在迅速增长。对于那些想要在自己的业务中融入机器学习的公司,两者被迫切地需求着。
  • 深度学习被发现和证明有最好的技术表现力。并且,深度学习正在不断给我们带来惊喜并将在不久的将来继续这样做。
  • 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,在工业和学术界中ML和DL都有自己的一席之地。

结论

我们已经研究讨论了深度学习和机器学习,并对两者进行了比较。为了更好地表达和理解,我们还研究了影像。如果你有任何问题,请在评论区提出。