机器学习与深度学习最好的解释

最好的解释：机器学习与深度学习 

 

近来我们一直在处理科技行业的流言。  这是因为一旦创造了一个术语，就会出现一定的趋势。  每个人都使用它，而没有完全得到它，导致错误的信息，混乱，有时甚至是假新闻。  在这篇文章中，我们正在看机器学习和深度学习的术语。 

每当一个新的工具或应用程序被发明，一个新的字如下。 所以，过去几年来，我们要解决两个问题：机器学习（ML）和深度学习（DL）。 技术人员，商业大师和营销人员都喜欢这些词语，而不管他们是否理解这些差异。 

 

 边注：我们知道这个话题是旧新闻，不断讨论。  这就是为什么我们必须写下来，显然这个问题还没有被完全理解，因为现在所有的内容都太简单或者太复杂了。 

 

 100个字的解释 

 

 ML和DL有一个共同点，它们都涉及到人工智能（AI）。 我们从简单的定义开始： 

•  人工智能：模拟和/或复制人类智能的计算机系统。 

•  机器学习：允许电脑自己学习。 

•  深度学习：算法试图对数据中的高层次抽象建模，以确定高层次的含义。 

 

一个简单的例子：如果人工智能被用来识别人们在图片中的情绪，机器学习算法会将数千张人脸图片输入到系统中。 深度学习将帮助系统识别他们共同面临的模式和情绪。 

 

越来越深 

 

上面的解释是对三者的过分简单的解释，帮助那些对技术感兴趣的人或者与行话混淆的人得到它。 事实上，它比这更复杂，深度学习是数据，神经网络和数学工作中最混乱的部分。 

 

“短路”电影中机器人Johnny 5的照片覆盖了“需要输入”

 

 “你应该使用Short Circuit的Johnny 5的照片，上面写着'NEED INPUT'' - 当我和我写这篇文章的团队交谈时，我得到了一个Slack的信息。 

 

机器学习 

 

机器学习可以分析数据，并从中汲取数据，并根据情景使用数据进行预测/真相/确定。 机器基本上正在接受培训，或者真正地进行自我培训，学习如何正确地完成分析过的所有数据。 它正在建立自己的逻辑和解决方案。 

 

顺便说一句，机器学习可以用一堆不同的算法完成，如： 

•  随机森林和决策树：一个简单的树预测的集合或集合，每个都可以产生一个响应，就像Netflix建议根据你的星级评定电影。 

•  线性回归：预测具有无限结果的分类结果的价值，例如根据市场来确定可以卖出多少汽车。 

•  Logistic回归：预测一个有限数量的可能值的分类结果的价值，如找出是否可以出售一辆汽车一定的成本。 

•  分类：将数据放入不同的组，如提交文件或电子邮件。 

•  朴素贝叶斯：一个算法家族都有一个共同的原则，即被分类的每个特征与任何其他特征的价值无关，如预测儿童照片中的快乐。 

 

名单继续。 有很多人都做不同的事情，是算法家庭的一部分，和/或一起工作或一起工作。 

 

还有两种类型的机器学习算法， 监督学习和无监督学习 。 

 

监督学习需要一个人输入数据和解决方案，但允许机器弄清楚两者之间的关系。 这在数学情况下非常有用。 

 

无监督是在一定的情况下随机的数字/数据，并要求电脑找到一个关系和解决方案。 这有点像在黑暗中拍摄目标，直到你打开灯，你不知道你打的是什么。 

 

因此，机器学习不需要有人自己编码或分析数据来解决方案或呈现逻辑。 它削减了一个巨大的角落，使生活更容易一些。 

 

 

 “MFW我想解释深度学习” - 大多数的互联网，可能。 

 

深度学习 

 

深度学习比机器学习更关注数据，这是最大的区别。 所以，如果你有一点点的数据，机器学习是要走的路，但如果你沉浸在数据深层学习是你的答案。 深度学习算法功能强大，需要大量数据才能给出最佳的解决方案/结果，但是买方要小心。 深度学习算法需要强大的机器，机器学习算法则不需要。 

 

为什么？ 那么，深度学习算法会做复杂的事情，比如需要图形处理单元（GPU）的矩阵乘法。 他们也尝试学习高级特征，所以在面部识别的情况下，算法会在复制中获得与RAW版本非常接近的图像，而机器学习的图像会模糊。 另一个强大的功能，它形成了一个端到端的解决方案，而不是将问题和解决方案分解成部分。 

 

所以你想要深度学习的力量，你有高端机器？ 你有多少时间？ 深度学习需要很长时间来处理数据，并在很长时间内（在某些情况下）寻找解决方案。 

 

现在，你可能会问“什么是深度学习？ 那么它是由机器学习算法，神经网络和AI组成的。 它是二者的第三级，并使用多层次的技术和方法来构建不同的解决方案。 

 

 如果你想深入了解深度学习，还有很多需要学习的东西，请向大师学习 。 

 

 “[深度学习] AI是新的电力。” 

 - 百度前首席科学家Andrew Yan-Tak Ng 

 

总结 

 

机器学习和深度学习是由AI的相同核心组成的两个不同的东西。 在不同的情况下，它们也很好用，但除非有绝对的需要，否则不应该使用另一种情况。 

 

但是，使用深度学习时，您将使用机器学习，因为它们彼此重叠。 此外，根据一些研究人员和数据科学家的说法，一旦我们发现超出现在的猜测游戏的深度学习，它很可能会解决我们日常的计算机，商业，人工智能，市场营销等许多问题。 

 

正如百度公司前首席科学家Andrew Yan-Tak Ng所领导的公司人工智能团队所说，“[深度学习] AI是新电力”。 作为一个使用深度和机器学习的面部识别公司，我们不能同意。 

转自：新机器视觉网，原文地址http://www.vision263.com/a/shezhi/20171127/963.html，转自请注明。