机器学习和深度学习有什么区别？

本文提供了有关深度学习与机器学习和人工智能技术的易于理解的指南。随着人工智能的巨大进步——从无人驾驶汽车、自动化客户服务交互、智能制造、智能零售商店、智能城市到智能医疗——人们普遍期望这种先进的感知技术将彻底改变各行业的业务。

人工智能、机器学习和深度学习这些术语经常（错误地）相互和互换使用。这是一本手册，可帮助您了解这些术语之间的差异并帮助您了解机器智能。

1. 人工智能 (AI) 及其重要性。
2. 人工智能与机器学习 (ML) 和深度学习 (DL) 有何关系？
3. 什么是机器学习和深度学习？
4. ML 与 DL 的主要特征和差异

什么是人工智能（AI）？

200多年来，经济增长的主要驱动力一直是技术创新。其中最重要的是所谓的通用技术，例如蒸汽机、电力和内燃机。每一项创新都催生了跨行业的创新浪潮和机遇。我们这个时代最重要的通用技术是人工智能。

人工智能（AI）是计算机科学最古老的领域之一，范围非常广泛，涉及模仿认知功能解决现实世界问题以及构建像人一样学习和思考的计算机系统的不同方面。因此，人工智能通常被称为机器智能，以与人类智能进行对比。

人工智能领域围绕计算机科学和认知科学的交叉点展开。人工智能可以指从下棋的计算机程序到自动驾驶汽车和计算机视觉系统的任何事物。

由于机器学习 (ML) 的成功，人工智能现在引起了极大的兴趣。人工智能，尤其是机器学习 (ML)，是机器不断提高其性能的能力，而无需人类准确解释如何完成所分配的所有任务。在过去的几年里，机器学习变得更加有效且广泛使用。我们现在可以构建能够学习如何自行执行任务的系统。

 

什么是机器学习 (ML)？

机器学习是人工智能的一个子领域。机器学习的核心原理是机器使用数据来“学习”。因此，机器学习系统可以快速应用大数据集中的知识和训练，以擅长人物识别、语音识别、物体检测、翻译和许多其他任务。

与使用特定指令开发和编码软件程序来完成任务不同，机器学习允许系统学习自行识别模式并做出预测。

机器学习是人工智能的一个非常实用的领域，旨在开发能够自动从以前的数据中学习以从经验中获取知识并逐步改进其学习行为以根据新数据做出预测的软件。

机器学习与人工智能

尽管机器学习是人工智能的一个子领域，但术语“人工智能”和“机器学习”通常可以互换使用。机器学习可以被视为“人工智能的主力”，也是数据密集型机器学习方法的采用。

机器学习接收一组数据输入，然后从输入的数据中学习。因此，机器学习方法使用数据在不确定性下进行上下文理解、意义制定和决策。

作为人工智能系统的一部分，机器学习算法通常用于识别数据趋势和识别模式。

机器学习为何流行？

机器学习应用程序在科学、工程和商业领域随处可见，从而导致更多基于证据的决策。

各种自动化人工智能推荐系统是使用机器学习创建的。机器学习的一个例子是Netflix的个性化电影推荐或点播音乐流媒体服务的音乐推荐。

新型统计学习算法的发展以及大数据（大数据集）和低成本计算的可用性推动了机器学习的巨大进步。

什么是深度学习 (DL)？

当今非常流行的机器学习方法是深度学习（DL）。深度学习是一类基于深度神经网络的机器学习模型，有着悠久的历史。

深度学习是机器学习的一个子集。它使用一些机器学习技术，通过利用模拟人类决策的神经网络来解决现实世界的问题。因此，深度学习训练机器做人脑自然做的事情。

深度学习的最大特点是其分层结构，这是人工神经网络的基础。每一层都会增加前一层的知识。

深度学习任务可能非常昂贵，具体取决于大量的计算资源，并且需要大量数据集来训练模型。对于深度学习，学习算法需要理解大量参数，这最初可能会产生许多误报。

 

什么是深度学习示例？

例如，可以指示深度学习算法“学习”狗的样子。需要大量图像数据集才能了解区分狗与其他动物（例如狐狸或黑豹）的微小细节。

总体而言，深度学习为最接近人类的人工智能提供了动力，尤其是在计算机视觉方面。深度学习的另一个商业例子是用于保护和解锁手机的视觉人脸识别。

深度学习还有一些商业应用程序，可以获取大量数据（例如数百万张图像）并识别某些特征。基于文本的搜索、欺诈检测、帧检测、手写和模式识别、图像搜索、人脸识别都是可以使用深度学习执行的任务。 Meta/Facebook、IBM 或 Google 等大型人工智能公司使用深度学习网络来取代手动系统。随着越来越多的用例得到实施，人工智能视觉采用者的名单正在迅速增长。

 

深度学习为何流行？

深度学习如今非常流行，因为它使机器能够达到人类水平的表现。例如，在深度人脸识别中，人工智能模型实现的检测准确率（例如，Google FaceNet 达到了 99.63%）高于人类所能达到的准确率（97.53%）。

如今，深度学习已经与医生在特定任务中的表现相匹配（阅读我们关于医疗保健应用的概述）。例如，事实证明，深度学习模型能够对皮肤癌进行分类，其能力水平可与人类皮肤科医生相媲美。医学领域的另一个深度学习例子是糖尿病视网膜病变和相关眼部疾病的识别。

 

深度学习与机器学习

机器学习和深度学习之间的区别

机器学习和深度学习都属于人工智能的范畴，而深度学习是机器学习的子集。因此，深度学习是机器学习的一部分，但又不同于传统的机器学习方法。

与其他形式的机器学习相比，深度学习具有特定的优势，使深度学习成为当今时代最流行的算法技术。

机器学习使用的算法的性能随着数据量的增加而提高。另一方面，深度学习依赖于层，而机器学习则依赖于数据输入来进行自我学习。

 

机器学习与深度学习概念概述

尽管机器学习和深度学习都教导机器从数据中学习，但这两种技术的学习或训练过程是不同的。

虽然机器学习和深度学习都训练计算机从可用数据中学习，但各自的不同训练过程会产生截然不同的结果。

此外，深度学习支持可扩展性、监督和无监督学习以及知识分层，使这门科学成为训练机器最强大的“建模科学”之一。

机器学习和深度学习之间的主要区别

神经网络的使用和超高速计算机的出现加速了深度学习的发展。相比之下，其他传统形式的机器学习已经达到了“性能平台期”。

• 训练： 机器学习允许基于数据相对快速地训练机器学习模型；更多数据等于更好的结果。然而，深度学习需要大量计算来训练多层神经网络。
• 表现： 神经网络的使用和超高速计算机的出现加速了深度学习的发展。相比之下，其他形式的机器学习已经达到了“性能平稳期”。
• 手动干预： 每当机器学习涉及新的学习时，人类开发人员就必须干预并调整算法以使学习发生。相比之下，在深度学习中，神经网络有利于分层训练，智能算法可以训练机器使用从一层到下一层获得的知识进行进一步学习，而无需人工干预。
• 学习： 在传统的机器学习中，人类开发人员指导机器寻找什么类型的特征。在深度学习中，特征提取过程是完全自动化的。因此，深度学习中的特征提取更加准确且以结果为导向。机器学习技术需要问题陈述将问题分解为随后要解决的不同部分，然后在最后阶段将结果组合起来。深度学习技术倾向于端到端地解决问题，使学习过程更快、更稳健。
• 数据： 由于深度学习的神经网络依赖于分层知识，无需人工干预，因此需要大量数据进行学习。相比之下，机器学习依赖于对数据样本的引导研究，这些数据样本仍然很大但相对较小。
• 准确性： 与机器学习相比，深度学习的自我训练功能可以实现更快、更准确的结果。在传统机器学习中，开发人员的错误可能会导致错误的决策和低准确度，从而导致机器学习的灵活性低于深度学习。
• 计算： 与传统机器学习算法相反，深度学习需要高端机器。 GPU 或图形处理单元是整个计算机的迷你版本，但仅专用于特定任务 - 它是相对简单但大规模并行的计算机，能够同时执行多个任务。执行神经网络，无论是学习还是应用网络时，都可以使用 GPU 很好地完成。新的人工智能硬件包括用于深度学习应用的 TPU 和 VPU 加速器。

 

 

机器学习的局限性

机器学习通常不是解决非常复杂问题的理想解决方案，例如模拟人类“视力”并根据特征解释图像的计算机视觉任务。深度学习因其极其精确的神经网络架构而使计算机视觉成为现实，这在传统机器学习中是不存在的。

虽然机器学习需要数百甚至数千个增强或原始数据输入才能产生有效的准确率，但深度学习只需要更少的带注释图像来学习。如果没有深度学习，计算机视觉将不会像今天这样准确。

 

下一步是什么？

如果您想了解更多有关机器学习的内容，我们向您推荐以下文章：