机器学习 vs. 深度学习

摘要: 来看看我们分析的和您想的是否一致。

本文在透彻剖析深度学习及机器学习的同时,就多方面对两者进行比较,进而探究其未来的发展趋势。

机器学习 vs. 深度学习

深度学习及机器学习

A. 机器学习

机器学习是人工智能技术的补充,有如下几种常用算法:

  1. Find-S
  2. 决策树
  3. 随机森林算法
  4. 神经网络

机器学习算法通常分为以下三大类:

  1. 有监督学习:需要从有标签的数据中学到或者建立一个模式。
  2. 无监督学习:数据是无标签的,机器学习算法需要先将数据分类,然后对数据结构进行描述,使复杂的数据看起来简单,以便进行后续分析工作。
  3. 强化学习:与监督学习相似,通过不断地探索学习,从而获得一个好的策略。

B. 深度学习

机器学习更多关注解决现实世界的问题,与人工智能技术有异曲同工之妙。机器学习则是通过模拟人类决策能力的神经网络找出问题解决方法。深度学习可看作是特殊的机器学习,我们可以利用深度学习来解决任何需要思考的问题。

深度神经网络由三种类型的层组成:

  1. 输入层
  2. 隐藏层
  3. 输出层

C.深度学习VS机器学习

我们使用机器学习算法解析数据,并根据从数据中学习到的知识做出决策。深度学习利用各个层组合创建人工“神经网络”,它能够智能地学习和做出决策。深度学习可以说是机器学习的子领域。

D. 深度学习和机器学习区别

1. 数据依赖

深度学习与机器学习的主要区别是在于性能。当数据量很少的时候,深度学习的性能并不好,因为深度学习算法需要大量数据才能很好理解其中蕴含的模式。

机器学习 vs. 深度学习

2. 硬件支持

深度学习算法严重依赖高端机,而传统的机器学习算法在低端机上就能运行。深度学习需要GPUs进行大量的矩阵乘法运算。

3. 特征工程

特征工程就是将领域知识输入特征提取器,降低数据复杂度。从时间和专业性来讲,这个过程开销很高。

机器学习 vs. 深度学习

4. 解决方案

通常,我们使用传统的算法解决问题。这需要将问题化整为零,分别解决,得到结果后再将其进行组合。

示例:

假设我们需要对多个目标进行探测,识别这些目标都是什么,确定它们在图片中的位置。利用机器学习算法,我们可将该问题分为两个部分:

  1. 目标检测
  2. 目标识别

首先,我们使用grabcut算法扫描全图,以期找到可能的目标。接着,对所有疑似目标使用目标识别算法(如SVM/HOG)进行识别。

机器学习 vs. 深度学习

5. 执行时间

由于深度学习中含有非常多的参数,较机器学习而言会耗费更多的时间。机器学习在训练数据的时候费时较少,同时只需几秒到几小时。

6. 可解释性

应用场景

计算机视觉:车牌识别,人脸识别

信息检索:搜索引擎,文本检索,图像检索

营销:自动邮件营销,目标识别

医疗诊断:癌症检测,异常检测

自然语言处理:语义分析,照片标记,在线广告投放

展 望

1. 机器学习和数据科学发展势头强劲,对想要生存下来的企业来说,在业务中使用机器学习变得越发重要。

2. 深度学习已被证明是现有技术中最先进的技术之一,它给人们带来了无限多的惊喜,未来仍将如此。

3. 研究学者们仍在不断探索机器学习和深度学习。过去,对于二者的研究仅局限于学术范围,现在工业界也加大了对其的研究力度。

以上为译文

阿里云云栖社区组织翻译。

文章原标题《Machne Learning vs. Deep Learning》,作者:Shailna Patidar,译者:Elaine,审校:袁虎。

相关推荐