繼系列上一篇 所以，機器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別是什么？淺談后，今天繼續(xù)深入探討兩者的更多區(qū)別。

前言

大多數(shù)人沒有意識到機器學(xué)習(xí)是人工智能（AI）的一種，它誕生于20世紀(jì)50年代。1959年，亞瑟·塞繆爾（Arthur Samuel）編寫了第一個計算機學(xué)習(xí)程序，在這個程序中，IBM計算機玩跳棋的時間越長，它就越擅長。快進到今天，當(dāng)人工智能不僅僅是尖端技術(shù)，相關(guān)工作薪資高，工作令人興奮。機器學(xué)習(xí)工程師的需求量很大，無論是數(shù)據(jù)科學(xué)家還是軟件工程師都不具備機器學(xué)習(xí)領(lǐng)域所需的技能。公司需要精通這兩個領(lǐng)域的專業(yè)人士，但他們既不能勝任數(shù)據(jù)科學(xué)家的工作，也不能勝任軟件工程師的工作。這類人群就是機器學(xué)習(xí)工程師。

“人工智能”、“機器學(xué)習(xí)”和“深度學(xué)習(xí)”這三個詞經(jīng)常交替出現(xiàn)，但如果你正在考慮從事人工智能的職業(yè)，了解它們之間的區(qū)別是很重要的。

根據(jù)牛津生活詞典，人工智能是“計算機系統(tǒng)的理論和發(fā)展，能夠執(zhí)行通常需要人類智能的任務(wù)，如視覺感知、語音識別、決策和語言間的翻譯?！北M管它們可能被稱為“智能，“有些人工智能計算機系統(tǒng)不能自己學(xué)習(xí);這就是機器學(xué)習(xí)和深度學(xué)習(xí)的用武之地。

讓我們深入討論機器學(xué)習(xí)和深度學(xué)習(xí)到底是什么，以及機器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別。

什么是機器學(xué)習(xí)？

通過機器學(xué)習(xí)，計算機系統(tǒng)通過編程來學(xué)習(xí)輸入的數(shù)據(jù)，而不需要重復(fù)編程。換言之，他們不斷地提高自己在任務(wù)上的表現(xiàn)，例如，在沒有人幫助下玩游戲。機器學(xué)習(xí)被廣泛應(yīng)用于藝術(shù)、科學(xué)、金融、醫(yī)療等領(lǐng)域。有不同的方法讓機器學(xué)習(xí)。有些是簡單的，如一個基本的決策樹;有些則要復(fù)雜得多，涉及多層人工神經(jīng)網(wǎng)絡(luò)。后者發(fā)生在深度學(xué)習(xí)中，我們一會兒再談。

機器學(xué)習(xí)之所以成為可能，不僅僅是因為亞瑟·塞繆爾（Arthur Samuel）在1959年的突破性計劃，使用了一個相對簡單（按今天的標(biāo)準(zhǔn)）的搜索樹作為其主要驅(qū)動程序，他的IBM計算機在跳棋方面不斷得到改進。

多虧了互聯(lián)網(wǎng)，大量的數(shù)據(jù)被創(chuàng)建和存儲，這些數(shù)據(jù)可以提供給計算機系統(tǒng)，幫助他們“學(xué)習(xí)”。使用Python進行機器學(xué)習(xí)是當(dāng)今最流行的方法。

什么是深度學(xué)習(xí)？

有人認(rèn)為深度學(xué)習(xí)是機器學(xué)習(xí)的下一個前沿，是最前沿的前沿。如果你看過Netflix，一些流媒體音樂服務(wù)會根據(jù)你過去聽過的歌曲，或你點贊過的歌曲，為你推薦觀看的內(nèi)容。這些能力都建立在深入學(xué)習(xí)的基礎(chǔ)上。谷歌的語音識別和圖像識別算法也使用深度學(xué)習(xí)。

正如機器學(xué)習(xí)被認(rèn)為是人工智能的一種類型，深度學(xué)習(xí)通常被認(rèn)為是機器學(xué)習(xí)的一種類型，有人稱之為子集。雖然機器學(xué)習(xí)使用簡單的概念，如預(yù)測模型，深度學(xué)習(xí)使用人工神經(jīng)網(wǎng)絡(luò)，旨在模仿人類的思維和學(xué)習(xí)方式。你可能還記得高中生物學(xué)中，人腦的主要細(xì)胞成分和主要計算元素是神經(jīng)元，每個神經(jīng)連接就像一臺小型計算機。大腦中的神經(jīng)元網(wǎng)絡(luò)負(fù)責(zé)處理各種輸入：視覺、感覺等。

與機器學(xué)習(xí)一樣，在深度學(xué)習(xí)的計算機系統(tǒng)中，還是一樣被喂數(shù)據(jù)，但是信息往往是以巨大的數(shù)據(jù)集的形式存在的，因為深度學(xué)習(xí)系統(tǒng)需要大量的數(shù)據(jù)來理解，才能返回準(zhǔn)確的結(jié)果。然后，人工神經(jīng)網(wǎng)絡(luò)根據(jù)數(shù)據(jù)提出一系列二元真/假問題，涉及高度復(fù)雜的數(shù)學(xué)計算，并根據(jù)得到的答案對數(shù)據(jù)進行分類。

因此，盡管機器學(xué)習(xí)和深度學(xué)習(xí)都屬于人工智能的一般分類，而且都是從數(shù)據(jù)輸入中“學(xué)習(xí)”，但兩者之間有一些關(guān)鍵的區(qū)別。

機器學(xué)習(xí)和深度學(xué)習(xí)的5個關(guān)鍵區(qū)別

1 人為干預(yù)

不像在機器學(xué)習(xí)系統(tǒng)中，人類需要根據(jù)數(shù)據(jù)類型（例如，像素值、形狀、方向）識別和手工編碼應(yīng)用的特征，深度學(xué)習(xí)系統(tǒng)會試圖在不需要額外人工干預(yù)的情況下學(xué)習(xí)這些特征。以人臉識別程序為例，程序首先學(xué)習(xí)檢測和識別人臉的邊緣和線條，然后學(xué)習(xí)人臉的更重要部分，最后學(xué)習(xí)人臉的整體表示。這樣做所涉及的數(shù)據(jù)量是巨大的，隨著時間的推移和程序本身的訓(xùn)練，得到正確答案的概率（即準(zhǔn)確識別人臉）便會增加。這種訓(xùn)練是通過使用神經(jīng)網(wǎng)絡(luò)進行的，類似于人腦的工作方式，不需要人重新編碼程序。

2 硬件

由于要處理的數(shù)據(jù)量和所用算法中涉及的數(shù)學(xué)計算的復(fù)雜性，深度學(xué)習(xí)系統(tǒng)比簡單的機器學(xué)習(xí)系統(tǒng)需要更強大的硬件。一種用于深度學(xué)習(xí)的硬件是圖形處理單元（gpu）。機器學(xué)習(xí)程序可以在低端機器上運行，不需要那么多算力。

3 時間

如您所料，由于深度學(xué)習(xí)系統(tǒng)需要大量的數(shù)據(jù)集，而且涉及到太多的參數(shù)和復(fù)雜的數(shù)學(xué)公式，因此深度學(xué)習(xí)系統(tǒng)可能需要花費大量的時間來訓(xùn)練。機器學(xué)習(xí)可能只需要幾秒鐘到幾個小時，而深度學(xué)習(xí)可能需要幾個小時到幾個星期！

4 方法

機器學(xué)習(xí)中使用的算法傾向于對數(shù)據(jù)進行部分解析，然后將這些部分結(jié)合起來得到結(jié)果或解決方案。深度學(xué)習(xí)系統(tǒng)可以一下子解決整個問題或場景。例如，如果您想要一個程序來識別圖像中的特定對象（例如，它們是什么以及它們在停車場汽車牌照上的位置），您就必須通過機器學(xué)習(xí)完成兩個步驟：首先是對象檢測，然后是對象識別。但是，使用深度學(xué)習(xí)程序，您將輸入圖像，通過訓(xùn)練，程序?qū)⒁淮涡缘玫揭炎R別對象和其在圖像中的位置。

5 應(yīng)用

考慮到上面提到的所有其他差異，您可能已經(jīng)了解到機器學(xué)習(xí)和深度學(xué)習(xí)系統(tǒng)用于不同的應(yīng)用程序。它們的用途：基本的機器學(xué)習(xí)應(yīng)用程序包括預(yù)測程序（例如預(yù)測股票市場的價格或下一次颶風(fēng)將在何時何地襲來）、垃圾電子郵件識別器，以及為醫(yī)療患者設(shè)計循證治療計劃的程序。

對于深度學(xué)習(xí)，除了上面提到的Netflix、音樂流服務(wù)和面部識別等例子之外，深度學(xué)習(xí)的一個廣為宣傳的應(yīng)用是自動駕駛。這些程序使用多層神經(jīng)網(wǎng)絡(luò)來確定要避開的對象、識別紅綠燈以及知道何時加速或減速。

機器學(xué)習(xí)與深度學(xué)習(xí)的未來趨勢

機器學(xué)習(xí)和深度學(xué)習(xí)的未來蘊含著無窮的可能！越來越多的機器人不僅用在制造業(yè)，而且在一些其他方面可以改善我們的日常生活方式。醫(yī)療行業(yè)也可能會發(fā)生變化，因為深度學(xué)習(xí)有助于醫(yī)生更早地預(yù)測或發(fā)現(xiàn)癌癥，從而挽救生命。在金融領(lǐng)域，機器學(xué)習(xí)和深度學(xué)習(xí)可以幫助公司甚至個人節(jié)省資金，更聰明地投資，更有效地分配資源。

而這三個領(lǐng)域僅僅是機器學(xué)習(xí)和深度學(xué)習(xí)未來趨勢的開始。許多需要改進的領(lǐng)域，現(xiàn)在仍然只是我們想象中的一個火花。
責(zé)編AJX