大数据学习笔记之四十二 机器学习和深度学习的区别

1）机器学习的特点

   1.1 存在人工干预

         1.1.1   机器学习需要把数据表示成特征的集合，究竟用何种特征表示数据是由实现该算法的程序员决定的，称为特征选择

         1.1.2   人们对于机器学习算法的选择，一旦选择了某种算法，就相当于假设数据集与这个算法的模型相似

  1.2  目标  让计算机能够自己从数据中学习知识，从而为人服务

  1.3  问题  由于存在人工干使得计算无法自己从数据中自动实现知识产生

  1.4  人工神经网络与其他算法的不同     

       1.4.1 多层神经网络可以实现一种叫做自动编码器的算法，自动编码器隐藏层实际上相当于一个自动特征筛选过程，这个过程叫做表示学习

       1.4.2 神经网络从理论上来讲，与大多数机器学习算法相似，因此可以实现模型选择的自动化

  1.5 神经网络算法的局限性

       1.5.1 基本都可以看成浅层学习，因为这些神经网络的隐藏层很少

       1.5.2 梯度扩散，传统算法在求解过程中依赖于后向传播的梯度信号，但是随着层数的增加，梯度误差矫正信号的强度会逐渐变小，以至于最后不可用

       1.5.3 容易得到局部最优解，而不是全局最优解

       1.5.4 对数据要求高，尤其是需要数据必须有标签的数据，在实际中有标签的数据很难获得，而神经参数有很多，很可能无法训练处有效的模型

2) 深度学习

  2.1 基本思想

             增加神经网络中隐藏层的数量，使得大量的隐藏层来增强神经网络对特征筛选的能力，从而能够用较少的参数表达出复杂的模型函数，逼近机器学习的最终目标，知识的自动发展