深度学习和机器学习的差别是什么?这两个人工智能的学习方法很重要

现在你应该有一些机器学习和深入学习的知识。接下来，我们将学习一些关键点并比较这两种技术。

1、深度学习和机器学习的差别是什么——数据依赖关系

深度学习与传统机器学习的主要区别在于，随着数据规模的增加，其性能也在不断提高。当数据较少时，深度学习算法的性能不好。这是因为深度学习算法需要大量的数据才能完全理解它。另一方面，在这种情况下，如果使用已建立的规则，传统的机器学习算法的性能会更好。下图总结了这一事实。

2、深度学习和机器学习的差别是什么——硬件依赖性

深度学习算法需要大量的矩阵运算，GPU主要用于有效地优化矩阵运算，因此GPU是深度学习正常工作的必要硬件。与传统的机器学习算法相比，深度学习更依赖于安装了GPU的高端机器。

3、深度学习和机器学习的差别是什么——特征处理

特征处理是将领域知识放入特征抽取器中，以降低数据复杂度，生成更好的学习算法模式的过程。特征处理非常耗时，需要专业知识。

在机器学习中，大多数应用程序的特征需要由老师确定，然后编码为数据类型。

功能启用像素值、形状、纹理、位置和方向。大多数机器学习算法的性能取决于提取特征的准确性。

深度学习试图直接从数据中获取高层特征，这是深度学习算法与传统机器学习算法的主要区别。基于此，深度学习减少了每个问题的特征抽取器的设计。例如，卷积神经网络试图学习前一层的低层特征(边界、直线)，然后学习一些人脸，然后对高级人脸进行描述。

4、深度学习和机器学习的差别是什么——解决问题

在应用传统的机器学习算法求解问题时，传统的机器学习通常将问题分解成多个子问题，并逐一求解。最后，将所有子问题的结果合并得到最终结果。相反，深度学习提倡直接的端到端问题解决。

例如：

假设有一个多目标检测任务，它需要图像中的对象类型和每个对象在图像中的位置。

传统的机器学习将问题分为两个步骤：目标检测和目标识别。首先用边界盒检测算法对图像进行扫描，找出目标可能的区域;然后用目标识别算法(如支持向量机结合hog)对前一步检测到的目标进行识别。

相反，深度学习将直接计算输入数据得到输出结果。例如，可以直接将图片传输到Yo网络(一种深度学习算法)，该网络将给出图片中的对象和名称。

5、深度学习和机器学习的差别是什么——执行时间

通常，训练深度学习算法需要很长时间。这是因为在深度学习算法中参数较多，所以训练算法需要较长的时间。RESNET是最先进的深度学习算法，一次完全训练需要两周时间，而机器学习训练所需时间较少，只有几秒钟到几个小时。

但两次测试的时间正好相反。在测试时，深度学习算法只需要运行一点时间。如果与k近邻(机器学习算法)相比，测试时间会随着数据量的增加而增加。然而，这并不适用于所有的机器学习算法，因为有些机器学习算法的测试时间也很短。

6、深度学习和机器学习的差别是什么——可解释性

最重要的是，我们把可解释性作为比较机器学习和深度学习的一个因素。

举个例子。假设我们应用深度学习自动给文章评分。深入学习可以达到接近人的标准，这是相当惊人的表现。但还是有一个问题。深度学习算法不会告诉你为什么它会给出这个分数。当然，在数学上，你可以找出哪个深层神经网络节点被激活。但我们不知道什么样的模型神经元应该是，我们也不知道这些神经元层将一起做什么。所以不可能解释结果是如何产生的。

另一方面，为了解释为什么选择这样的算法，决策树等机器学习算法给出了明确的规则，因此很容易解释决策背后的推理。因此，决策树和线性/逻辑回归等算法主要用于工业解释。

以上就是《深度学习和机器学习的差别是什么?这两个人工智能的学习方法很重要》的全部内容，从文字我们能看到，现在你应该有一些机器学习和深入学习的知识。接下来，我们将学习一些关键点并比较这两种技术，如果你想知道更多人工智能学习如何，可以点击下方资料下载链接。