深度学习与机器学习

更新于 2023 年 4 月 13 日

深度学习和机器学习之间的区别

机器学习和深度学习属于人工智能的同一范畴；机器学习有监督学习、无监督学习和强化学习三种不同的学习方法。而深度学习是机器学习的子集，因此它几乎没有机器学习的属性，但在训练模型所需的数据量、对硬件的依赖性、解决问题的方法等方面与机器学习有所不同、执行时间、特征化和解释。

头对头（信息图表）

以下是深度学习与机器学习之间的 6 大差异

深度学习和机器学习的主要区别

机器学习和深度学习都是人工智能的子集。以下是这两种方法之间的主要区别。

1. 在机器学习中，主要重点是根据输入数据经验改进模型的学习过程。在机器学习中，标记或未标记的数据将首先经过数据工程和特征化。输入的数据越干净，模型就越好。在深度学习的情况下，重点更在于使模型自行学习，即训练和错误方法以达到最终解决方案。
2. 机器学习倾向于原子化并预测回归或分类问题，例如根据 n 个特征预测 x 客户是否会支付贷款。另一方面，深度学习试图创建人类思维的复制品，以解决特定问题，例如通过看图片识别哪只猫是猫，哪只狗是狗等。
3. 在机器学习中，我们处理两类问题：监督学习和无监督学习。在监督输入和输出中，数据被标记，而在无监督学习中，则没有。就深度学习而言，模型更接近强化学习。对于所犯的每一个错误，都会有惩罚，而正确的决定则会有奖励。
4. 在机器学习中，我们选择一种合适的算法（有时是多种，然后为我们的模型选择最好的一个），定义参数并提供数据，机器学习算法将在训练数据上学习，并在使用测试数据进行验证/评估后，模型将被部署执行特定任务。另一方面，在深度学习中，我们定义了感知器的一层。感知器可以被视为人类大脑中的神经元。神经元通过多个树突获取输入，对其进行处理（采取小的动作/决策），并通过轴突终端将输出发送到层中的下一个神经元。同样，感知器具有输入节点（来自输入数据特征或感知器的前一层）、用于做出小决策的驱动函数以及用于将输出发送到该层中的下一个感知器的输出节点。
5. 从机器学习创建模型的过程包括提供输入数据的特征、根据问题选择算法、定义必要的参数和超参数、在训练集上进行训练以及运行优化。根据测试数据评估模型。在深度学习的情况下，在提供具有特征的输入数据之前，过程是相同的。之后，我们定义模型的输入和输出层及其中感知器的数量。我们根据问题的复杂性选择所需的隐藏层数量。我们为每一层定义感知器，并为每个感知定义输入、激活函数和输出节点。一旦定义完毕，然后输入数据，模型将通过反复试验自行训练。
6. 在机器学习中，创建模型所需的数据量相对较少。就深度学习而言，该方法是通过反复试验来学习最佳结果。因此，可用于训练的数据越多，模型就越强大。在机器学习中，如果我们也增加数据量，但在达到一定限制之后，学习过程就会停滞。在深度学习的情况下，模型不断地学习，这就是问题的复杂性，对于复杂的问题，需要更多的数据量。
7. 例如，机器学习模型用于提供音乐流媒体推荐。现在，模型要做出推荐歌曲/专辑/艺术家的决定，它将检查相似的特征（音乐品味）并推荐相似的播放列表。对于深度学习，最好的例子是在 Google 上搜索内容或撰写邮件时自动生成文本，深度学习模型会根据以前的经验自动建议可能的结果。

比较表

让我们讨论一下深度学习和机器学习之间的顶级比较

比较的基础	深度学习	机器学习
对数据的依赖	需要比较大量的数据，并且随着输入数据的增加性能也会随之提高	足够多的数据可以建立一个好的模型。但超出需要的范围并不会提高性能。
对硬件的依赖	高端机器是必须的。	可以在小型机器上工作。
使用的方法	在深度学习中，问题是通过使用多层神经元一次性解决的。	一个大问题被细分为几个小任务，最后组合起来构建机器学习模型。
执行所需时间	由于许多神经元使用不同的 2 参数来构建模型，因此需要更多的时间来执行。	相比之下，机器学习所需的执行时间更少。
特征化	深度学习从数据本身中学习，不需要外部干预。	外部干预对于提供正确的输入是必要的。
解释	很难解释解决问题的过程。因为几个神经元共同解决问题。	易于解释机器学习模型中的过程。它背后有逻辑推理。

结论

我们已经讨论了机器学习模型和深度学习模型的不同之处。当数据解释简单（不太复杂）时，我们使用机器学习来提供重复操作的自动化。当我们拥有大量数据或问题过于复杂而无法通过机器学习解决时，我们会使用深度学习模型。深度学习比机器学习需要更多的资源。它很昂贵，但更准确。

推荐文章

这是深度学习与机器学习的指南。在这里，我们讨论信息图表和比较表的差异。您还可以查看以下文章以了解更多信息 –