1樓：安徽新華電腦專修學院
機器學習最基本的做法，是使用演算法來解析資料、從中學習，然後對真實世界中的事件做出決策和**。與傳統的為解決特定任務、硬編碼的軟體程式不同，機器學習是用大量的資料來“訓練”，通過各種演算法從資料中學習如何完成任務。
機器學習直接**於早期的人工智慧領域。傳統演算法包括決策樹學習、推導邏輯規劃、聚類、強化學習和貝葉斯網路等等。眾所周知，我們還沒有實現強人工智慧。
早期機器學習方法甚至都無法實現弱人工智慧。
機器學習最成功的應用領域是計算機視覺，雖然也還是需要大量的手工編碼來完成工作。人們需要手工編寫分類器、邊緣檢測濾波器，以便讓程式能識別物體從**開始，到**結束；寫形狀檢測程式來判斷檢測物件是不是有八條邊；寫分類器來識別字母“st-o-p”。使用以上這些手工編寫的分類器，人們總算可以開發演算法來感知影象，判斷影象是不是一個停止標誌牌。
這個結果還算不錯，但並不是那種能讓人為之一振的成功。特別是遇到雲霧天，標誌牌變得不是那麼清晰可見，又或者被樹遮擋一部分，演算法就難以成功了。這就是為什麼前一段時間，計算機視覺的效能一直無法接近到人的能力。
它太僵化，太容易受環境條件的干擾。
隨著時間的推進，學習演算法的發展改變了一切。
人工神經網路（artificial neural networks）是早期機器學習中的一個重要的演算法，歷經數十年風風雨雨。神經網路的原理是受我們大腦的生理結構——互相交叉相連的神經元啟發。但與大腦中一個神經元可以連線一定距離內的任意神經元不同，人工神經網路具有離散的層、連線和資料傳播的方向。
例如，我們可以把一幅影象切分成影象塊，輸入到神經網路的第一層。在第一層的每一個神經元都把資料傳遞到第二層。第二層的神經元也是完成類似的工作，把資料傳遞到第三層，以此類推，直到最後一層，然後生成結果。
每一個神經元都為它的輸入分配權重，這個權重的正確與否與其執行的任務直接相關。最終的輸出由這些權重加總來決定。
2樓：ai科普教育
機器學習與深度學習的區別？
機器學習和深度學習的區別
3樓：cda資料分析師
現在有很多人對機器學習和深度學習的概念並不是很明白，其實深度學習是機器學習中的一部分，而機器學習是深度學習的基礎，這兩個知識體系都是服務於人工智慧的。
通常我們用機器演算法來解析資料，學習資料，並從中做出理智的判定。根本上講，深度學習用於建立可自我學習和可理智判定的人工“神經網路”。我們可以說深度學習是機器學習的子領域。
而機器學習與深度學習對比具體體現在四方面：
第一是資料依賴。一般來說，效能是區別二者的最主要之處。當資料量小時，深度學習演算法表現不佳。這就是深度學習演算法需要大量的資料才能完美理解的唯一原因。
第二是硬體依賴通常，深度學習依賴於高階裝置，而傳統學習依賴於低端裝置。因此，深度學習要求包含gpu，這是它工作中不可或缺的一部分。它們還需要進行大量的矩陣乘法運算。
第三是功能工程化，在此，領域知識被用於建立特徵提取器，以降低資料的複雜性，並使模式對學習演算法的工作原理上更可見，雖然處理起來非常困難。 因此，這是耗時並需要專業知識的。
第四是解決問題的方法，一般來說，我們使用傳統演算法來解決問題。但它需要將問題分解為不同的部分以單獨解決它們。要獲得結果，請將它們全部合併起來。
4樓：西線大資料培訓
資料依賴性
深度學習與傳統的機器學習最主要的區別在於隨著資料規模的增加其效能也不斷增長。當資料很少時，深度學習演算法的效能並不好。這是因為深度學習演算法需要大量的資料來完美地理解它。
另一方面，在這種情況下，傳統的機器學習演算法使用制定的規則，效能會比較好。
硬體依賴
深度學習演算法需要進行大量的矩陣運算，gpu 主要用來高效優化矩陣運算，所以 gpu 是深度學習正常工作的必須硬體。與傳統機器學習演算法相比，深度學習更依賴安裝 gpu 的高階機器。
特徵處理
特徵處理是將領域知識放入特徵提取器裡面來減少資料的複雜度並生成使學習演算法工作的更好的模式的過程。特徵處理過程很耗時而且需要專業知識。
在機器學習中，大多數應用的特徵都需要專家確定然後編碼為一種資料型別。
特徵可以使畫素值、形狀、紋理、位置和方向。大多數機器學習演算法的效能依賴於所提取的特徵的準確度。
深度學習嘗試從資料中直接獲取高等級的特徵，這是深度學習與傳統機器學習演算法的主要的不同。基於此，深度學習削減了對每一個問題設計特徵提取器的工作。例如，卷積神經網路嘗試在前邊的層學習低等級的特徵(邊界，線條)，然後學習部分人臉，然後是高階的人臉的描述。
問題解決方式
當應用傳統機器學習演算法解決問題的時候，傳統機器學習通常會將問題分解為多個子問題並逐個子問題解決最後結合所有子問題的結果獲得最終結果。相反，深度學習提倡直接的端到端的解決問題。
執行時間
通常情況下，訓練一個深度學習演算法需要很長的時間。這是因為深度學習演算法中引數很多，因此訓練演算法需要消耗更長的時間。最先進的深度學習演算法 resnet完整地訓練一次需要消耗兩週的時間，而機器學習的訓練會消耗的時間相對較少，只需要幾秒鐘到幾小時的時間。
但兩者測試的時間上是完全相反。深度學習演算法在測試時只需要很少的時間去執行。如果跟 k-nearest neighbors（一種機器學習演算法）相比較，測試時間會隨著資料量的提升而增加。
不過這不適用於所有的機器學習演算法，因為有些機器學習演算法的測試時間也很短。
可解釋性
至關重要的一點，我們把可解釋性作為比較機器學習和深度學習的一個因素。
我們看個例子。假設我們適用深度學習去自動為文章評分。深度學習可以達到接近人的標準，這是相當驚人的效能表現。
但是這仍然有個問題。深度學習演算法不會告訴你為什麼它會給出這個分數。當然，在數學的角度上，你可以找出來哪一個深度神經網路節點被啟用了。
但是我們不知道神經元應該是什麼模型，我們也不知道這些神經單元層要共同做什麼。所以無法解釋結果是如何產生的。
另一方面，為了解釋為什麼演算法這樣選擇，像決策樹(decision trees)這樣機器學習演算法給出了明確的規則，所以解釋決策背後的推理是很容易的。因此，決策樹和線性/邏輯迴歸這樣的演算法主要用於工業上的可解釋性。
5樓：匿名使用者
深度學習是機器學習的一種
6樓：中公教育it優就業
簡單來說，機器學習是實現人工智慧的方法，深度學習是實現機器學習的技術。機器學習在實現人工智慧時中需要人工輔助（半自動），而深度學習使該過程完全自動化
三者關係：
舉個例子：通過機器學習演算法來識別水果是橘子還是蘋果，需要人工輸入水果的特徵資料，生成一定的演算法模型，進而可以準確**具有這些特徵的水果的型別，而深度學習則能自動的去發現特徵進而判斷。
7樓：匿名使用者
網路上那麼多深度學習的資料，學習了很多之後還是懵懵懂懂的。自從我上週聽了菜鳥窩的ai免費公開課，才算真正明白。老師通過橫向對比的方式，讓我瞭解一個普通的程式和機器學習演算法的相同點/差別點是什麼？
對於程式而言就是要一個準確的結果，而對於機器學習而言我們要的是規則。
機器學習有聚類演算法和分類演算法，這是常見的一些機器學習演算法。網路上大多數資料都顯示深度學習只是機器學習的一種特殊型別，今天我們從另一個角度來看，其實深度學習是另外一類演算法的集合，深度學習的核心是網路深度和網路結構。網路深度是一個相對概念，沒有說一個隱藏層要大於多少才算深度學習。
深度學習的另外一個核心是網路結構：深度自信網路、神經網路、迴圈網路、卷積網路都各自是一種結構。按照結構的不同，有不同的分類，比如lstm、resnet都是一種特殊的結構，而不是一種特殊的演算法。
lstm是深度學習演算法領域中的一種網路結構，千萬不要理解為一種演算法。
ai，機器學習和深度學習之間的區別是什麼
8樓：愛喝可樂小兔砸
用三層圓環舉例
人工智慧是最大的圈
機器學習是在人工智慧中間的圈
深度學習是在機器學習中間的圈
9樓：llte啦啦
機器學習是ai的一個子領域。這裡的核心原則是機器為自己提供資料和“學習”。它目前是企業ai工具包中最有前途的工具。
ml系統可以快速應用來自大型資料集的知識和培訓，擅長面部識別，語音識別，物體識別，翻譯以及許多其他任務。與手動編寫具有特定指令的軟體程式來完成任務不同，ml允許系統學習識別模式並進行**。
10樓：夢逍遙
機器學習與深度學習的比較
1、應用場景
機器學習在指紋識別、特徵物體檢測等領域的應用基本達到了商業化的要求。
深度學習主要應用於文字識別、人臉技術、語義分析、智慧監控等領域。目前在智慧硬體、教育、醫療等行業也在快速佈局。
2、所需資料量
機器學習能夠適應各種資料量，特別是資料量較小的場景。如果資料量迅速增加，那麼深度學習的效果將更加突出，這是因為深度學習演算法需要大量資料才能完美理解。
3、執行時間
執行時間是指訓練演算法所需要的時間量。一般來說，深度學習演算法需要大量時間進行訓練。這是因為該演算法包含有很多引數，因此訓練它們需要比平時更長的時間。
相對而言，機器學習演算法的執行時間更少。
4、解決問題的方法
機器學習演算法遵循標準程式以解決問題。它將問題拆分成數個部分，對其進行分別解決，而後再將結果結合起來以獲得所需的答案。深度學習則以集中方式解決問題，而不必進行問題拆分。
11樓：esc__殤
深度學習是他們兩個最終研究的核心學術
12樓：kf寬泛科技
機器學習是一種實現人工智慧的方法，深度學習是一種實現機器學習的技術。我們就用最簡單的方法——同心圓，視覺化地展現出它們三者的關係。
目前，業界有一種錯誤的較為普遍的意識，即“深度學習最終可能會淘汰掉其他所有機器學習演算法”。這種意識的產生主要是因為，當下深度學習在計算機視覺、自然語言處理領域的應用遠超過傳統的機器學習方法，並且**對深度學習進行了大肆誇大的報道。
深度學習，作為目前最熱的機器學習方法，但並不意味著是機器學習的終點。起碼目前存在以下問題：
1. 深度學習模型需要大量的訓練資料，才能展現出神奇的效果，但現實生活中往往會遇到小樣本問題，此時深度學習方法無法入手，傳統的機器學習方法就可以處理；
2. 有些領域，採用傳統的簡單的機器學習方法，可以很好地解決了，沒必要非得用複雜的深度學習方法；
3. 深度學習的思想，**於人腦的啟發，但絕不是人腦的模擬，舉個例子，給一個三四歲的小孩看一輛自行車之後，再見到哪怕外觀完全不同的自行車，小孩也十有**能做出那是一輛自行車的判斷，也就是說，人類的學習過程往往不需要大規模的訓練資料，而現在的深度學習方法顯然不是對人腦的模擬。
cloudhin®雲軒專注deep learning和高效能運算伺服器定製，針對主要深度學習框架（如tensorflow、caffe 2、theano或torch）進行了優化和設定，在桌面上即可提供強大的深度學習功能。
深度學習的概念，發展狀況以及和機器學習的區別和應用
內容來自使用者 天成資訊 深度學習的概念 發展狀況以及和機器學習的區別和應用隨著人工智慧的熱度不斷攀升，深度學習和機器學習作為實現ai的技術得到了充分的關注，兩者在計算機視覺和自然語言處理等領域產生著巨大的影響，同時也是無人駕駛汽車的關鍵技術。深度學習是什么？在深度學習中，計算機學習直接從影象 文字...
大資料與深度學習區別，大資料與深度學習有什麼區別
很顯然，大資料和深度學習完全是兩個不同領域的名詞。大資料在描述資料本身的顯性的一個狀態。而深度學習或者說機器學習則在試圖描述資料內在的邏輯。所以深度學習 或者機器學習 可以是建立於大資料之上的一些方 當然深度學習 或者機器學習 也可以建立於小資料之上。更甚至，大資料也可以不依託於機器學習，而只是依託...
機器學習的方法
機器學習的方法就是人工智慧，現在使用的方法我們叫深度學習。機器學習 機器學習是一門多領域交叉學科，涉及概率論 統計學 逼近論 凸分析 演算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。它是人工智慧核心，是使計算...