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
