鑒于科學(xué)的快速發(fā)展和演變，了解使用哪些人工智能技術(shù)來推進項目可能具有挑戰(zhàn)性。本文概述了機器學(xué)習(xí)和深度學(xué)習(xí)之間的區(qū)別，以及如何確定何時應(yīng)用它們。

定義：機器學(xué)習(xí)與深度學(xué)習(xí)

在機器學(xué)習(xí)和深度學(xué)習(xí)中，工程師都使用 MATLAB 等軟件工具，使計算機能夠通過從示例數(shù)據(jù)集中學(xué)習(xí)來識別數(shù)據(jù)的趨勢和特征。在機器學(xué)習(xí)的情況下，訓(xùn)練數(shù)據(jù)用于構(gòu)建模型，計算機可以使用該模型對測試數(shù)據(jù)以及最終的真實數(shù)據(jù)進行分類。傳統(tǒng)上，此工作流程中的一個重要步驟是開發(fā)特征——從原始數(shù)據(jù)派生的附加指標——這有助于模型更加準確。

深度學(xué)習(xí)是機器學(xué)習(xí)的一個子集，工程師和科學(xué)家跳過了創(chuàng)建特征的手動步驟。相反，數(shù)據(jù)被輸入深度學(xué)習(xí)算法，它會自動學(xué)習(xí)哪些特征對確定輸出最有用。

機器學(xué)習(xí)：人工智能的一個分支，工程師和科學(xué)家在其中手動選擇數(shù)據(jù)中的特征并訓(xùn)練模型。常見的機器學(xué)習(xí)算法包括決策樹、支持向量機、神經(jīng)網(wǎng)絡(luò)和集成方法。

深度學(xué)習(xí)： 機器學(xué)習(xí)的一個分支，松散地模仿人腦的神經(jīng)通路，算法自動學(xué)習(xí)哪些特征是有用的。常見的深度學(xué)習(xí)算法包括卷積神經(jīng)網(wǎng)絡(luò) （CNN）、遞歸神經(jīng)網(wǎng)絡(luò)和深度 Q 網(wǎng)絡(luò)。

項目簡介

機器學(xué)習(xí)通常用于涉及預(yù)測輸出或發(fā)現(xiàn)趨勢的項目。在這些示例中，使用有限的數(shù)據(jù)體來幫助機器學(xué)習(xí)模式，這些模式以后可以用來對新的輸入數(shù)據(jù)做出正確的判斷。機器學(xué)習(xí)中使用的常用算法包括線性回歸、決策樹、支持向量機 （SVM）、樸素貝葉斯、判別分析、神經(jīng)網(wǎng)絡(luò)和集成方法。

深度學(xué)習(xí)更為復(fù)雜，通常用于涉及對圖像進行分類、識別圖像中的對象以及增強圖像和信號的項目。在這些情況下，可以應(yīng)用深度神經(jīng)網(wǎng)絡(luò)，因為它們旨在從空間和時間組織的數(shù)據(jù)（例如圖像和信號）中自動提取特征。深度學(xué)習(xí)中常用的算法包括卷積神經(jīng)網(wǎng)絡(luò) （CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò) （RNN） 和強化學(xué)習(xí)（深度 Q 網(wǎng)絡(luò)）。

如果您需要更快的結(jié)果，機器學(xué)習(xí)算法可能更可取。它們的訓(xùn)練速度更快，并且需要更少的計算能力。特征和觀察的數(shù)量將是影響訓(xùn)練時間的關(guān)鍵因素。應(yīng)用機器學(xué)習(xí)的工程師應(yīng)該將大部分時間用于開發(fā)和評估功能以提高模型的準確性。

深度學(xué)習(xí)模型需要時間來訓(xùn)練。預(yù)訓(xùn)練網(wǎng)絡(luò)和公共數(shù)據(jù)集可以通過遷移學(xué)習(xí)縮短訓(xùn)練時間，但有時實施起來可能很復(fù)雜。一般來說，深度學(xué)習(xí)算法可能需要一分鐘到幾周的時間來訓(xùn)練，具體取決于你的硬件和計算能力。應(yīng)用深度學(xué)習(xí)的工程師應(yīng)該將大部分時間花在訓(xùn)練模型和修改深度神經(jīng)網(wǎng)絡(luò)的架構(gòu)上。

選擇機器學(xué)習(xí)與深度學(xué)習(xí)的考慮因素

數(shù)據(jù)注意事項

了解可用數(shù)據(jù)集有助于確定機器學(xué)習(xí)還是深度學(xué)習(xí)應(yīng)該應(yīng)用于給定任務(wù)。

通常，當可用的結(jié)構(gòu)化數(shù)據(jù)更有限時，會使用機器學(xué)習(xí)。大多數(shù)機器學(xué)習(xí)算法旨在將模型訓(xùn)練為表格數(shù)據(jù)（組織成獨立的行和列）。如果數(shù)據(jù)是非表格的，可以應(yīng)用機器學(xué)習(xí)，但它確實需要一些數(shù)據(jù)處理——即傳感器數(shù)據(jù)可以通過使用常用統(tǒng)計指標（均值、中值、標準差、偏度、峰度等），然后與傳統(tǒng)的機器學(xué)習(xí)技術(shù)一起使用。

深度學(xué)習(xí)通常需要大量的訓(xùn)練數(shù)據(jù)來確保網(wǎng)絡(luò)很可能具有數(shù)千萬個參數(shù)并且不會過度擬合訓(xùn)練數(shù)據(jù)。卷積神經(jīng)網(wǎng)絡(luò)旨在對圖像數(shù)據(jù)進行操作，盡管它們也可以通過對信號執(zhí)行時頻計算（例如頻譜圖）來用于傳感器數(shù)據(jù)。LSTM（長短期記憶）網(wǎng)絡(luò)等循環(huán)神經(jīng)網(wǎng)絡(luò)旨在對信號和文本等順序數(shù)據(jù)進行操作。

可用硬件和部署

確定應(yīng)該應(yīng)用哪種人工智能方法也取決于可用的硬件。

機器學(xué)習(xí)算法需要較少的計算能力。例如，臺式機 CPU 足以訓(xùn)練這些模型。

對于深度學(xué)習(xí)模型，由于更高的內(nèi)存和計算要求，通常需要專門的硬件。專用硬件也是合適的，因為在深度神經(jīng)網(wǎng)絡(luò)中執(zhí)行的操作（例如卷積）非常適合 GPU 的并行架構(gòu)。

深度學(xué)習(xí)模型需要大量的計算能力。如果 GPU 可用，或者是否有時間在 CPU 上運行訓(xùn)練（這將花費更長的時間），則應(yīng)考慮它們。

由于與獲取 GPU 相關(guān)的高成本，在集群或云上訓(xùn)練深度學(xué)習(xí)模型已在深度學(xué)習(xí)中流行起來。此選項允許多個研究人員共享硬件。

部署到嵌入式 GPU 也很受歡迎，因為它可以在部署的環(huán)境中提供快速的推理速度。GPU Coder 支持從 MATLAB 中的深度學(xué)習(xí)模型生成代碼，該模型利用來自 Intel、NVIDIA和 Arm 的優(yōu)化庫。借助適用于 NVIDIA GPU 的GPU Coder Support Package，您可以交叉編譯和部署生成的 CUDA 代碼，作為嵌入式 GPU 上的獨立應(yīng)用程序。

不斷發(fā)展的科學(xué)指南

雖然總會有反復(fù)試驗，但上述內(nèi)容可以幫助指導(dǎo)決策并加快機器學(xué)習(xí)和深度學(xué)習(xí)新手和科學(xué)家的整體設(shè)計過程。通過了解機器學(xué)習(xí)和深度學(xué)習(xí)之間的差異、了解項目的最終應(yīng)用以及考慮數(shù)據(jù)和硬件可用性，設(shè)計團隊將更快地了解哪種方法最適合各自的項目。

審核編輯：郭婷