机器学习和深度学习的区别

机器学习和深度学习的区别  

机器学习和深度学习的区别

数据依赖性
深度学习与传统的机器学习最主要的区别在于随着数据规模的增加其性能也不断增长。当数据很少时，深度学习算法的性能并不好。这是因为深度学习算法需要大量的数据来完美地理解它。另一方面，在这种情况下，传统的机器学习算法使用制定的规则，性能会比较好。
硬件依赖
深度学习算法需要进行大量的矩阵运算，GPU 主要用来高效优化矩阵运算，所以 GPU 是深度学习正常工作的必须硬件。与传统机器学习算法相比，深度学习更依赖安装 GPU 的高端机器。
特征处理
特征处理是将领域知识放入特征提取器里面来减少数据的复杂度并生成使学习算法工作的更好的模式的过程。特征处理过程很耗时而且需要专业知识。
在机器学习中，大多数应用的特征都需要专家确定然后编码为一种数据类型。
特征可以使像素值、形状、纹理、位置和方向。大多数机器学习算法的性能依赖于所提取的特征的准确度。
深度学习尝试从数据中直接获取高等级的特征，这是深度学习与传统机器学习算法的主要的不同。基于此，深度学习削减了对每一个问题设计特征提取器的工作。例如，卷积神经网络尝试在前边的层学习低等级的特征(边界，线条)，然后学习部分人脸，然后是高级的人脸的描述。
问题解决方式
当应用传统机器学习算法解决问题的时候，传统机器学习通常会将问题分解为多个子问题并逐个子问题解决最后结合所有子问题的结果获得最终结果。相反，深度学习提倡直接的端到端的解决问题。
执行时间
通常情况下，训练一个深度学习算法需要很长的时间。这是因为深度学习算法中参数很多，因此训练算法需要消耗更长的时间。最先进的深度学习算法 ResNet完整地训练一次需要消耗两周的时间，而机器学习的训练会消耗的时间相对较少，只需要几秒钟到几小时的时间。
但两者测试的时间上是完全相反。深度学习算法在测试时只需要很少的时间去运行。如果跟 k-nearest neighbors（一种机器学习算法）相比较，测试时间会随着数据量的提升而增加。不过这不适用于所有的机器学习算法，因为有些机器学习算法的测试时间也很短。
可解释性
至关重要的一点，我们把可解释性作为比较机器学习和深度学习的一个因素。
我们看个例子。假设我们适用深度学习去自动为文章评分。深度学习可以达到接近人的标准，这是相当惊人的性能表现。但是这仍然有个问题。深度学习算法不会告诉你为什么它会给出这个分数。当然，在数学的角度上，你可以找出来哪一个深度神经网络节点被激活了。但是我们不知道神经元应该是什么模型，我们也不知道这些神经单元层要共同做什么。所以无法解释结果是如何产生的。
另一方面，为了解释为什么算法这样选择，像决策树(decision trees)这样机器学习算法给出了明确的规则，所以解释决策背后的推理是很容易的。因此，决策树和线性/逻辑回归这样的算法主要用于工业上的可解释性。

机器学习和深度学习的区别和联系

与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。
机器学习直接来源于早期的人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。众所周知，我们还没有实现强人工智能。早期机器学习方法甚至都无法实现弱人工智能。

人工智能，机器学习和深度学习的区别

人工智能：是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
机器学习：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。
深度学习：有了深度学习,机器学习才有了许多实际的应用,它还拓展了AI的整体范围。 深度学习将任务分拆,使得各种类型的机器辅助变成可能。
光环大数据的人工智能培训对这几个学科有深入的讲解，可以去了解下

ai是计算机的一个分支，让计算机能够和人类一样，能够思考、辨别、分析等。
实现ai就需要一些手段，早期就有模拟人脑、符号等一些传统的方式来让计算机能够和人一样。
机器学习属于实现手段中的一种，机器学习中包含一系列的算法（LR、SVM、随机森林、决策树等），神经网络也属于机器学习。
随着不同种类的神经网络（RNN、CNN、RBM、深度信念等）的涌现和神经网络深度的增加，渐渐独立出来专门研究神经网络的科研人员和学者，这就是深度学习。
所以可以这么认为 深度学习∈机器学习∈人工智能∈计算机领域，当时也可以将深度学习抽取出来，认为它和机器学习平行关系。

人工智能AI，机器学习和深度学习的区别

机器学习：machine learning，是计算机科学和统计学的交叉学科，基本目标是学习一个x->y的函数（映射），来做分类或者回归的工作。之所以经常和数据挖掘合在一起讲是因为现在好多数据挖掘的工作是通过机器学习提供的算法工具实现的，例如广告的ctr预估，PB级别的点击日志在通过典型的机器学习流程可以得到一个预估模型，从而提高互联网广告的点击率和回报率；个性化推荐，还是通过机器学习的一些算法分析平台上的各种购买，浏览和收藏日志，得到一个推荐模型，来预测你喜欢的商品。
深度学习：deep learning，机器学习里面现在比较火的一个ic，本身是神经网络算法的衍生，在图像，语音等富媒体的分类和识别上取得了非常好的效果，所以各大研究机构和公司都投入了大量的人力做相关的研究和开发。

是一个包含的关系。
机器学习是人工智能的一种，深度学习是机器学习的一种

1. 深度学习与AI。本质上来讲，人工智能相比深度学习是更宽泛的概念。人工智能现阶段分为弱人工智能和强人工智能，实际上当下科技能实现的所谓“人工智能”都是弱AI，奥创那种才是强AI（甚至是boss级的）。而深度学习，是AI中的一种技术或思想，曾被MIT技术评论列为2013年十大突破性技术（Deep Learning居首）。或者换句话说，深度学习这种技术（我更喜欢称其为一种思想，即end-to-end）说不定就是实现未来强AI的突破口。
2. 深度学习与ML。DL与ML两者其实有着某种微妙的关系。在DL还没有火起来的时候，它是以ML中的神经网略学习算法存在的，随着计算资源和big data的兴起，神经网络摇身一变成了如今的DL。学界对DL一般有两种看法，一种是将其视作feature extractor，仅仅用起提取powerful feature；而另一种则希望将其发展成一个新的学习分支，也就是我上面说的end-to-end的“深度学习的思想”。

清洁，防止杂质进入，因为涡轮增压器的转轴与轴套之间配合间隙很小，如果机油润滑能力下降，就会造成涡轮增压器的过早报废。
5、需要按时清洁空气滤清器，防止灰尘等杂质进入高速旋转的压气叶轮，造成转速不稳或轴套和密封件加剧磨损。
6、需要经常检查涡轮增压器的密封环是否密封。因为如果密封环没有密封住，那么废气会通过密封环进入发动机润滑系统，将机油变脏，并使曲轴箱压力迅速升高，此外发动机低速运转时机油也会通过密封环从排气管排出或进入燃烧室燃烧，从而造成机油的过度消耗产生“烧机油”的情况。
7、涡轮增压器要经常检查有没有异响或者不寻常的震动，润滑油管和接

深度学习是机器学习的方向和领域之一，机器学习又是人工智能的方向和领域之一。
具体他们分别研究哪些问题一篇文章很难讲清楚哩。不过大多数人都推荐图灵的那篇论文作为研究起点。
目前深度学习因为取得了很多关键技术进展，效果超出预期所以很热，很多领域开始利用深度学习解决一些实际问题。深度学习的巨大进展带动机器学习其他分支学科一起热了起来。
人工智能技术未来将会想电力、通信、互联网等技术一样成为社会的基本支撑技术之一。
会为社会带来更多的崭新工作职位。
本识科技让简单触手可及。