深度学习与机器学习：有什么区别？

本文介绍了机器学习和深度学习的概念及其在人工智能中的作用。机器学习是人工智能的一个子领域，专注于通过数据驱动模型自动生成预测能力；而深度学习是机器学习的一个子领域，模仿人脑结构的人工神经网络能够处理复杂的模式识别任务。尽管传统机器学习需要手动进行特征工程，并且难以处理高度复杂的问题；但深度学习通过多层人工神经网络自动提取特征，并在处理大规模数据时表现更优。文章还强调了深度学习在克服传统机器学习局限性方面的优势，并展示了其在自然语言处理、图像识别等领域的应用潜力。

介绍

深度学习与机器学习是两个相关的术语，在人工智能领域常被 interchange 使用。掌握它们之间的主要区别对于深入理解人工智能体系至关重要。

掌握机器学习与深度学习对比的核心要点是最直接的方式。这些技术本质上都属于人工智能领域。

如今大家都在讨论人工智能这一话题，并借助这一技术辅助完成人类任务的自动化工作。
每个企业都致力于将人工智能技术整合到现有的系统中以最大化收益。
作为庞大的学科领域，在这里主要包含着机器学习与深度学习两大核心分支。

如图所示，在知识体系中人工智慧构成超集结构。其中机器学习作为这一领域的重要分支而存在。同样地，深度学习也属于这一领域。在探讨人工智慧的核心理念时我们关注的是如何自动化执行执行人类所需完成的任务并将之转化为能够自主完成的程序并逐步发展出无需人工干预即可自主学习的智能设备。这不仅包括赋予其足够的智能化水平还涵盖了其在复杂环境下的感知与决策能力。以自动驾驶汽车为例它是实现上述目标的最佳实践方案：这些智能机器人通过持续感知外界环境并根据预设算法做出实时反应从而实现了安全驾驶功能即便在人车数量极少的情况下也能稳定运行。

如今，在人工智能领域中设立专门研究方向——机器学习。有没有想过……

您是否曾想过 Google 如何做到在短短几秒钟内将整个网页翻译成另一种语言？您的手机图库又如何做到根据位置对图像进行分类？这一切的背后技术正是深度学习的强大应用。深度学习作为机器学习的重要分支，在其运行机制上借鉴了人类神经元网络的结构与功能。它通过模拟人脑的复杂运算方式来完成数据处理与模式识别的任务。
当系统不断积累经验并减少失误时，在线教育平台也能通过优化算法实现精准的教学反馈；而医疗影像分析系统则能够借助深度学习模型快速诊断复杂的医学案例。
当系统不断精进其性能时，在线教育平台也能通过优化算法实现精准的教学反馈；而医疗影像分析系统则能够借助深度学习模型快速诊断复杂的医学案例。

机器学习和深度学习之间的区别

让我们看看机器学习和深度学习之间的一些关键区别。

因素	机器学习	深度学习
定义	机器学习是人工智能的一个子领域，专注于机器无需明确编程即可学习的能力。	深度学习是机器学习的一个子领域，专注于机器能够模仿人脑来执行高度复杂的人工智能问题。
数据馈送	我们向构建机器学习模型的机器提供结构化数据。	我们提供非结构化数据，或者你可以说神经网络的原始输入。
数据量	机器学习模型处理具有数千个数据行的数据集。	深度学习模型主要处理具有数百万数据行的数据集。
训练时间	由于数据量较小，机器学习模型的训练时间较短。	由于数据点庞大，因此需要花费大量时间。
人类参与	机器学习模型很容易构建，但需要更多的人机交互才能做出更好的预测。	深度学习模型很难构建，因为它们使用复杂的多层神经网络，但它们具有自我学习的能力。
特征工程	特征工程是由人类明确完成的。	无需特征工程，神经网络自动检测重要特征。
目标	使输出尽可能接近预期输出。	模仿人类大脑的处理方式，他们实际上是如何思考的。如果机器能够以某种方式思考，它们就会自动生成正确的输出。
解释结果	解释机器学习模型的结果很容易。	很难解释深度学习模型的结果，因为很难解释复杂的多层神经网络的输出。
表现	机器学习模型在中小型数据集上表现出良好的性能。	深度学习模型在海量数据集上表现出更好的性能。
应用领域	欺诈检测、推荐系统、模式识别等。	客户支持、图像处理、语音识别、对象识别、自然语言处理、计算机视觉等。

什么是机器学习？

Machine learning (ML) constitutes a subset of artificial intelligence, characterized by its ability to enable machines to learn without explicit programming. The objective is to create machines capable of self-learning. However, the challenge lies in constructing such machines. The crux of the matter is understanding how humans acquire knowledge. Suppose you aim to instruct a 2-year-old child about fruits, teaching them to recognize apples, bananas, and oranges. What approach would you take? Initially, you would demonstrate various fruits, naming each one—this apple, that orange, this banana—and after presenting several examples, you would anticipate the child identifying them independently. This is the essence of machine learning.

如上图所示, 随后我们将待处理的数据输入到机器中. 这些输入及其对应的输出结果构成了原始的基础数据. 这些被称为 训练样本 的集合被用来建立预测模型. 通过这一模型我们可以对新的待处理输入进行预测分析. 而这部分被用作评估模型性能的数据则被称为 测试样本. 准确性的高低主要取决于提供给学习过程的数据质量以及其代表性如何.

注意：在传统编程模式下，在编写程序或设计算法时（即通过人工干预），系统会在接收输入数据后处理并生成相应结果。然而，在机器学习体系中，在接收训练数据并从中自动提取特征后（即无需人工干预），在测试阶段会将新数据代入模型进行预测。

机器学习的局限性

现在，让我们看看导致深度学习发展的机器学习的一些局限性。

机器学习方法不具备自动提取特征的能力。那么，请问什么是特征工程？它是指通过人工设计和优化特征以提升模型性能的过程。例如，在区分苹果与橙子的任务中，请问您能指出哪些关键属性？这些属性可能包括大小、颜色以及茎的长度等多维度指标。这些数据需经人工预处理后才能输入模型训练。相比之下，在传统机器学习方法中，这一过程需由人类手动完成；而在深度神经网络中，则可以通过网络自身的学习机制自动识别出最合适的表征参数。因此，在机器学习框架下进行特化处理时，请记住这一重要区别：深度学习无需依赖人工干预即可完成对数据特性的自主建模。

• 机器学习算法无法解决自然语言处理、图像识别等复杂的人工智能问题。

• 机器学习模型对于非常大的数据集表现不佳。

该深度学习模型能够有效规避这些障碍。让我们深入了解这一技术的本质及其在解决这些问题中的应用方式。

什么是深度学习？

深度学习是一种受生物神经网络启发的人工智能技术。 深度学习 的核心思想是通过人工神经网络模拟生物神经网络的行为模式来实现数据处理。就像人类大脑中的神经元负责特定信息的处理一样，在深度学习中，人工神经网络负责数据特征的提取与模式识别。这种人工 神经网络 系统类似于传统计算模型中的处理单元。目前面临的主要挑战是如何绕过传统机器学习中繁琐的手工特征工程步骤。

在本次讨论中涉及
其核心技术机制是基于深度 neural network 实现的
其灵感来源于人脑中成千上万的小型处理单元
在当前情境下将原始数据依次传递到多层 artificial neural network 进行处理
经过一系列数学运算后即可完成所有计算任务
人工 neural network 能够自动优化各输入 feature 的重要性系数以实现有效 feature extraction

通过一个以苹果和香蕉图像分类为例的相同示例深入探索神经网络的工作原理

结论

在本文中, 您掌握了人工智能及其主要的技术类型, 即机器学习与深度学习. 您对于这些术语及其发展背景的知识点也已掌握. 进一步理解了这两类技术在应用中的差异.