鑒于科學(xué)的快速增長(zhǎng)和發(fā)展，了解使用哪些人工智能技術(shù)來推進(jìn)項(xiàng)目可能具有挑戰(zhàn)性。本文概述了機(jī)器學(xué)習(xí)和深度學(xué)習(xí)之間的差異，以及如何確定何時(shí)應(yīng)用這兩種方法。

定義：機(jī)器學(xué)習(xí)與深度學(xué)習(xí)

在機(jī)器學(xué)習(xí)和深度學(xué)習(xí)中，工程師使用軟件工具（如 MATLAB）使計(jì)算機(jī)能夠通過從示例數(shù)據(jù)集中學(xué)習(xí)來識(shí)別數(shù)據(jù)中的趨勢(shì)和特征。在機(jī)器學(xué)習(xí)的情況下，訓(xùn)練數(shù)據(jù)用于構(gòu)建一個(gè)模型，計(jì)算機(jī)可以使用該模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類，并最終對(duì)真實(shí)世界的數(shù)據(jù)進(jìn)行分類。傳統(tǒng)上，此工作流中的一個(gè)重要步驟是開發(fā)特征（從原始數(shù)據(jù)派生的其他指標(biāo)），這有助于模型更加準(zhǔn)確。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集，工程師和科學(xué)家跳過創(chuàng)建要素的手動(dòng)步驟。相反，數(shù)據(jù)被輸入到深度學(xué)習(xí)算法中，它會(huì)自動(dòng)學(xué)習(xí)哪些特征對(duì)確定輸出最有用。

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

深度學(xué)習(xí)：機(jī)器學(xué)習(xí)的一個(gè)分支，松散地模仿人腦的神經(jīng)通路，算法會(huì)自動(dòng)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）、循環(huán)神經(jīng)網(wǎng)絡(luò)和深度 Q 網(wǎng)絡(luò)。

項(xiàng)目簡(jiǎn)介

機(jī)器學(xué)習(xí)通常用于涉及預(yù)測(cè)輸出或發(fā)現(xiàn)趨勢(shì)的項(xiàng)目。在這些示例中，有限的數(shù)據(jù)主體用于幫助機(jī)器學(xué)習(xí)模式，以便以后使用它們對(duì)新的輸入數(shù)據(jù)做出正確的決定。機(jī)器學(xué)習(xí)中使用的常見算法包括線性回歸、決策樹、支持向量機(jī) （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(duì)圖像進(jìn)行分類、識(shí)別圖像中的對(duì)象以及增強(qiáng)圖像和信號(hào)的項(xiàng)目。在這些情況下，可以應(yīng)用深度神經(jīng)網(wǎng)絡(luò)，因?yàn)樗鼈冎荚趶目臻g和時(shí)間組織的數(shù)據(jù)（如圖像和信號(hào)）中自動(dòng)提取特征。深度學(xué)習(xí)中使用的常見算法包括卷積神經(jīng)網(wǎng)絡(luò) （CNN）、遞歸神經(jīng)網(wǎng)絡(luò) （RNN） 和強(qiáng)化學(xué)習(xí)（深度 Q 網(wǎng)絡(luò)）。

如果您需要更快的結(jié)果，機(jī)器學(xué)習(xí)算法可能更可取。它們的訓(xùn)練速度更快，需要的計(jì)算能力更少。特征和觀測(cè)值的數(shù)量將是影響訓(xùn)練時(shí)間的關(guān)鍵因素。應(yīng)用機(jī)器學(xué)習(xí)的工程師應(yīng)該花費(fèi)大部分時(shí)間開發(fā)和評(píng)估特征以提高模型準(zhǔn)確性。

深度學(xué)習(xí)模型需要時(shí)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(shí)間，但有時(shí)這些可能很難實(shí)現(xiàn)。一般來說，深度學(xué)習(xí)算法可能需要一分鐘到幾周的時(shí)間來訓(xùn)練，具體取決于您的硬件和計(jì)算能力。應(yīng)用深度學(xué)習(xí)的工程師應(yīng)該花費(fèi)大部分時(shí)間來訓(xùn)練模型并修改其深度神經(jīng)網(wǎng)絡(luò)的架構(gòu)。

選擇機(jī)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(xiàng)

了解可用的數(shù)據(jù)集有助于確定是否應(yīng)將機(jī)器學(xué)習(xí)或深度學(xué)習(xí)應(yīng)用于給定任務(wù)。

通常，當(dāng)有更有限的結(jié)構(gòu)化數(shù)據(jù)可用時(shí)，會(huì)使用機(jī)器學(xué)習(xí)。大多數(shù)機(jī)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(dú)立的行和列）。如果數(shù)據(jù)是非表格的，則可以應(yīng)用機(jī)器學(xué)習(xí)，但它確實(shí)需要一些數(shù)據(jù)操作 - 即傳感器數(shù)據(jù)可以通過使用常見的統(tǒng)計(jì)指標(biāo)（平均值，中位數(shù)，標(biāo)準(zhǔn)差，偏度，峰度等）提取窗口特征來轉(zhuǎn)換為表格表示，然后與傳統(tǒng)機(jī)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)很可能有數(shù)千萬個(gè)參數(shù)，并且不會(huì)過度擬合訓(xùn)練數(shù)據(jù)。卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)用于對(duì)圖像數(shù)據(jù)進(jìn)行操作，盡管它們也可以通過對(duì)信號(hào)執(zhí)行時(shí)頻計(jì)算（例如頻譜圖）來用于傳感器數(shù)據(jù)。循環(huán)神經(jīng)網(wǎng)絡(luò)，如LSTM（長(zhǎng)短期記憶）網(wǎng)絡(luò)，旨在對(duì)信號(hào)和文本等順序數(shù)據(jù)進(jìn)行操作。----

可用的硬件和部署

確定應(yīng)應(yīng)用哪種AI方法還取決于可用的硬件。

機(jī)器學(xué)習(xí)算法需要較少的計(jì)算能力。例如，臺(tái)式機(jī) CPU 足以訓(xùn)練這些模型。

對(duì)于深度學(xué)習(xí)模型，由于更高的內(nèi)存和計(jì)算要求，通常需要專用硬件。專用硬件也是合適的，因?yàn)樵谏疃壬窠?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)模型需要強(qiáng)大的計(jì)算能力。如果 GPU 可用，或者是否有時(shí)間在 CPU 上運(yùn)行訓(xùn)練（這將花費(fèi)更長(zhǎng)的時(shí)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)模型在深度學(xué)習(xí)中越來越受歡迎。此選項(xiàng)允許多個(gè)研究人員共享硬件。

部署到嵌入式 GPU 也越來越受歡迎，因?yàn)樗梢栽诓渴鸬沫h(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，該模型利用英特爾、NVIDIA和 Arm的優(yōu)化庫(kù)。借助適用于 NVIDIA GPU 的 GPU編碼器支持包，您可以將生成的 CUDA 代碼交叉編譯并部署為嵌入式 GPU 上的獨(dú)立應(yīng)用程序。

不斷發(fā)展的科學(xué)指南

雖然總是會(huì)有反復(fù)試驗(yàn)，但上述內(nèi)容可以幫助指導(dǎo)決策，并加速剛接觸機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的工程師和科學(xué)家的整體設(shè)計(jì)過程。通過了解機(jī)器學(xué)習(xí)和深度學(xué)習(xí)之間的差異，了解項(xiàng)目的最終應(yīng)用并考慮數(shù)據(jù)和硬件可用性，設(shè)計(jì)團(tuán)隊(duì)將更快地了解哪種方法最適合各自的項(xiàng)目。

審核編輯：郭婷