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
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
a. 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。
b.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:
● 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
● 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。
原文发布时间为:2018-09-24
低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
DKH企业级大数据解决方案的优势介绍
DKH企业级大数据解决方案的优势介绍大数据技术的发展与应用已经在深刻地改变和影响我们的日常生活与工作,可以预见的是在大数据提升为国家战略层面后,未来的几年里大数据技术将会被更多的行业应用。相信很多人对于大数据技术的应用还是处于一个非常陌生的阶段,可能在很多地方听说过大数据,但具体应用在哪方面可能就并不清楚了。举个最简单的的例子,前段时间新闻报道说警方在某明星的演唱会上抓捕了一名在逃嫌犯,而这名嫌犯是在进入现场时被监控识别出来的。这种就是大数据技术的一种具体的应用表现。这个案例可能不是很贴切,但应该很好理解了吧! 企业对大数据技术的需求尤其是在移动互联网进入到井喷式发展阶段后变得尤为强烈。当然,我们这里探讨的仅是大型企业而非中小型企业。中小型企业当然也是可以应用大数据技术,但着实没有这样做的必要,因为中小企业基本不会产生大量的数据,换句话就是中小企业产生的这些数据不能用体现大数据技术在处理这些数据方面的优势。企业大数据解决方案在市场上不能说是很多吧,毕竟大数据技术难度高度摆在这里,不是一般的企业就可以去做的。不同的解决方案会一些方面存在一定的差异,这里给大家介绍分析一下DKH大数据解决方...
- 下一篇
什么是Adam/ReLU/YOLO?这里有一份深度学习(.ai)词典
编者按:入门深度学习的方法有很多,其中最便捷的是在线课程。但是,从做出这项选择起,新手要面临的就不仅是全新的知识体系,还有无数的陌生术语。在开始阅读前,请自问自答:什么是Adam、ReLU、YOLO?什么是AdaGrad、Dropout、Xavier Initialization?如果发现这很困难,请跟随Jan Zawadzki的脚步,有条理地去回顾自己的记忆碎片。 本文旨在解释深度学习的一些常用术语,尤其是吴恩达在deeplearning.ai的Coursera课程中会频繁提到的重要词汇。每个词条包含意义阐释、图片和相关链接(公众号读者请点击原文查看),希望能对深度学习初学者和从业者有所帮助。 Activation Function(激活函数) 激活函数的作用是对输入执行非线性变换,将输入乘以权重并添加到偏置项中。目前最常用的激活函数有ReLU、tanh和sigmoid。 Adam Optimization (Adam优化) Adam优化可以代替随机梯度下降,用来迭代调整网络权重。根据论文Adam: A Method for Stochastic Optimization的说法,Ad...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- CentOS6,CentOS7官方镜像安装Oracle11G
- CentOS8,CentOS7,CentOS6编译安装Redis5.0.7
- SpringBoot2整合MyBatis,连接MySql数据库做增删改查操作
- Windows10,CentOS7,CentOS8安装Nodejs环境
- SpringBoot2整合Thymeleaf,官方推荐html解决方案
- CentOS6,7,8上安装Nginx,支持https2.0的开启
- MySQL8.0.19开启GTID主从同步CentOS8
- CentOS7,8上快速安装Gitea,搭建Git服务器
- Docker安装Oracle12C,快速搭建Oracle学习环境
- Hadoop3单机部署,实现最简伪集群