機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是人工智能領(lǐng)域最先進(jìn)的技術(shù)，代表了當(dāng)今人工智能的發(fā)展方向，它們已經(jīng)廣泛地應(yīng)用在了無人駕駛領(lǐng)域。

深度學(xué)習(xí)和機(jī)器學(xué)習(xí)有何區(qū)別？

可以把機(jī)器學(xué)習(xí)看成是一種通用型技術(shù)，包括了決策樹、貝葉斯分析、支持向量機(jī)等算法，也包括神經(jīng)網(wǎng)絡(luò)算法。

而深度學(xué)習(xí)深耕于神經(jīng)網(wǎng)絡(luò)算法，基于深度學(xué)習(xí)算法，衍生出了深度卷積網(wǎng)絡(luò)、深度循環(huán)網(wǎng)絡(luò)、遞歸網(wǎng)絡(luò)等，詳情參考第二篇文章。

相比于機(jī)器學(xué)習(xí)，深度學(xué)習(xí)的主要優(yōu)勢(shì)在于特征提取，機(jī)器學(xué)習(xí)需要手動(dòng)提取相關(guān)特征，而特征工程往往非常繁瑣；

特征，英文名叫Feature，即事物的某些特性，并且可以用來做判斷。

機(jī)器學(xué)習(xí)很大部分工作就是從輸入的數(shù)據(jù)中提取出有用的特征，將其轉(zhuǎn)換為算法需要的數(shù)據(jù)形式。

而特征工程，就是最大限度地從原始數(shù)據(jù)中提取特征以供算法和模型使用。

有這么一句話在業(yè)界廣泛流傳：數(shù)據(jù)和特征決定了機(jī)器學(xué)習(xí)的上限，而模型和算法只是逼近這個(gè)上限而已。

深度學(xué)習(xí)可以自動(dòng)學(xué)習(xí)到“特征”，從而減少了人為設(shè)計(jì)特征造成的不完備性，如圖所示：

深度學(xué)習(xí)會(huì)堆疊多個(gè)層次，這一層的輸出作為下一層的輸入。

假設(shè)我們有一個(gè)輸入，設(shè)計(jì)了一個(gè)模型（有N個(gè)層次），通過訓(xùn)練模型，使得輸出仍然是輸入，即Input=Output，那么就可以自動(dòng)獲取輸入的一系列層次特征了。

有時(shí)候輸出完全等于輸入這個(gè)限制太嚴(yán)格，只要使得輸入與輸出的差別盡可能地小即可，這就是深度學(xué)習(xí)的基本思想。

機(jī)器學(xué)習(xí)比較擅長(zhǎng)分析維度比較低，層次少的任務(wù)；

而深度學(xué)習(xí)擅長(zhǎng)分析高維度，多層次的數(shù)據(jù)，比如圖像、語音等。

深度學(xué)習(xí)雖能自動(dòng)學(xué)習(xí)特征，達(dá)到很好的識(shí)別精度，但其工作前提是，能夠獲得“相當(dāng)大”量級(jí)數(shù)據(jù)，而數(shù)據(jù)很小時(shí)，深度學(xué)習(xí)算法就會(huì)表現(xiàn)不佳。

數(shù)據(jù)量大也意味著計(jì)算量大，需要好的硬件基礎(chǔ)進(jìn)行支撐。

機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是人工智能領(lǐng)域最先進(jìn)的技術(shù)，特別是隨著計(jì)算機(jī)硬件水平的提升和大數(shù)據(jù)的發(fā)展，深度學(xué)習(xí)得到大大發(fā)展，代表了當(dāng)今人工智能的發(fā)展方向。

2006年，多倫多大學(xué)教授杰弗里·辛頓（Geoffrey Hinton）提出了深度學(xué)習(xí)，深度學(xué)習(xí)在AlphaGo、無人駕駛汽車、語音識(shí)別、圖像識(shí)別、自然語言理解等方面對(duì)工業(yè)界產(chǎn)生了巨大影響，那一年也被認(rèn)為是深度學(xué)習(xí)的元年。