近年來，隨著科技的快速發(fā)展，人工智能不斷進入我們的視野中。作為人工智能的核心技術(shù)，機器學(xué)習(xí)和深度學(xué)習(xí)也變得越來越火。一時間，它們幾乎成為了每個人都在談?wù)摰脑掝}。那么，機器學(xué)習(xí)和深度學(xué)習(xí)到底是什么，它們之間究竟有什么不同呢？

什么是機器學(xué)習(xí)？

機器學(xué)習(xí)(Machine Learning，ML)是人工智能的子領(lǐng)域，也是人工智能的核心。它囊括了幾乎所有對世界影響最大的方法(包括深度學(xué)習(xí))。機器學(xué)習(xí)理論主要是設(shè)計和分析一些讓計算機可以自動學(xué)習(xí)的算法。

舉個例子，假設(shè)要構(gòu)建一個識別貓的程序。傳統(tǒng)上如果我們想讓計算機進行識別，需要輸入一串指令，例如貓長著毛茸茸的毛、頂著一對三角形的的耳朵等，然后計算機根據(jù)這些指令執(zhí)行下去。但是如果我們對程序展示一只老虎的照片，程序應(yīng)該如何反應(yīng)呢？更何況通過傳統(tǒng)方式要制定全部所需的規(guī)則，而且在此過程中必然會涉及到一些困難的概念，比如對毛茸茸的定義。因此，更好的方式是讓機器自學(xué)。

我們可以為計算機提供大量的貓的照片，系統(tǒng)將以自己特有的方式查看這些照片。隨著實驗的反復(fù)進行，系統(tǒng)會不斷學(xué)習(xí)更新，最終能夠準確地判斷出哪些是貓，哪些不是貓。

什么是深度學(xué)習(xí)？

深度學(xué)習(xí)(DeepLearning，DL)屬于機器學(xué)習(xí)的子類。它的靈感來源于人類大腦的工作方式，是利用深度神經(jīng)網(wǎng)絡(luò)來解決特征表達的一種學(xué)習(xí)過程。深度神經(jīng)網(wǎng)絡(luò)本身并非是一個全新的概念，可理解為包含多個隱含層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。為了提高深層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，人們對神經(jīng)元的連接方法以及激活函數(shù)等方面做出了調(diào)整。其目的在于建立、模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，模仿人腦的機制來解釋數(shù)據(jù)，如文本、圖像、聲音。

機器學(xué)習(xí)與深度學(xué)習(xí)的比較

1、應(yīng)用場景

機器學(xué)習(xí)在指紋識別、特征物體檢測等領(lǐng)域的應(yīng)用基本達到了商業(yè)化的要求。

深度學(xué)習(xí)主要應(yīng)用于文字識別、人臉技術(shù)、語義分析、智能監(jiān)控等領(lǐng)域。目前在智能硬件、教育、醫(yī)療等行業(yè)也在快速布局。

2、所需數(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。如果數(shù)據(jù)量迅速增加，那么深度學(xué)習(xí)的效果將更加突出，這是因為深度學(xué)習(xí)算法需要大量數(shù)據(jù)才能完美理解。

3、執(zhí)行時間

執(zhí)行時間是指訓(xùn)練算法所需要的時間量。一般來說，深度學(xué)習(xí)算法需要大量時間進行訓(xùn)練。這是因為該算法包含有很多參數(shù)，因此訓(xùn)練它們需要比平時更長的時間。相對而言，機器學(xué)習(xí)算法的執(zhí)行時間更少。

4、解決問題的方法

機器學(xué)習(xí)算法遵循標準程序以解決問題。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，而不必進行問題拆分。

在本文中，我們對機器學(xué)習(xí)與深度學(xué)習(xí)的區(qū)別作出了簡要概述。目前，這兩種算法已被廣泛應(yīng)用于商業(yè)領(lǐng)域，相信在未來，機器學(xué)習(xí)與深度學(xué)習(xí)能夠為更多行業(yè)帶來令人激動的光明前景。