机器学习和深度学习有什么区别？让我们从本文中寻找答案。
目标
本文中，我们将深度学习与机器学习作比较。我们将逐一了解他们。我们还会讨论他们在各个方面的不同点。除了深度学习和机器学习的比较，我们还将研究它们未来的趋势。
对比介绍深度学习和机器学习
一. 什么是机器学习？
通常，为了实现人工智能，我们会使用机器学习。我们有几种用于机器学习的算法。例如：
Find-S
决策树（Decision trees）
随机森林（Random forests）
人工神经网络（Artificial Neural Networks）
通常，有3类学习算法：
监督机器学习算法进行预测。此外，该算法在分配给数据点的值标签中搜索模式。
无监督机器学习算法：没有标签与数据关联。并且，这些 ML 算法将数据组成簇。此外，他需要描述其结构，并使复杂的数据看起来简单且能有条理的分析。
增强机器学习算法：我们使用这些算法选择动作。并且，我们能看到它基于每个数据点。一段时间后，算法改变策略来更好地学习。
二.什么是深度学习?
机器学习只关注解决现实问题。它还需要人工智能的一些想法。机器学习通过旨在模仿人类决策能力的神经网络。ML工具和技术是两个主要的仅关注深度学习的窄子集。我们需要应用它来解决任何需要思考的问题 —— 人类的或人为的。任何深度神经网络都将包含以下三层：
输入层
隐藏层
输出层
我们可以说深度学习是机器学习领域的最新术语。这是实现机器学习的一种方式。
3. 深度学习vs机器学习
我们用机器算法来解析数据，学习数据，并从中做出理智的判定。根本上讲，深度学习用于创建可自我学习和可理智判定的人工“神经网络”。我们可以说深度学习是机器学习的子领域。
4. 机器学习与深度学习对比
a.数据依赖
性能是区别二者的最主要之处。当数据量小时，深度学习算法表现不佳。这就是DL算法需要大量的数据才能完美理解的唯一原因。
我们可以看到，人工创立的该场景之下算法占据上风。上图总结了该情况。
b. 硬件依赖
通常，深度学习依赖于高端设备，而传统学习依赖于低端设备。因此，深度学习要求包含 GPU。这是它工作中不可或缺的一部分。它们还需要进行大量的矩阵乘法运算。
c. 功能工程化
这是一个通用的过程。在此，领域知识被用于创建特征提取器，以降低数据的复杂性，并使模式对学习算法的工作原理上更可见，虽然处理起来非常困难。 因此，这是耗时并需要专业知识的。
d. 解决问题的方法
通常，我们使用传统算法来解决问题。但它需要将问题分解为不同的部分以单独解决它们。要获得结果，请将它们全部合并起来。
例如：
让我们假定你有一个多对象检测的任务。在此任务中，我们必须确定对象是什么以及它在图像中的位置。在机器学习方法中，我们必须将问题分为两个步骤：
对象检测
对象识别
首先，我们使用抓取算法遍历图像并找到所有可能的对象。然后，在所有已识别的对象中，你将使用诸如 SVM 和 HOG 这样的对象识别算法来识别相关对象。
e.执行时间
通常，与机器学习相比，深度学习需要更多时间进行训练。主要原因是深度学习算法中有太多参数。机器学习需要进行训练的时间较少，从几秒钟到几个小时范围内。
f.可解释性
我们将可解释性作为比较两种学习技术的因素。尽管如此，深度学习在工业应用之前仍然被考虑再三。
机器学习和深度学习主要被应用在何处？
a. 计算机视觉：我们将其用于像车牌识别和面部识别等应用。
b. 信息检索：我们将 ML 和 DL 用于像囊括文本检索及图像检索的搜索引擎等应用。
c. 市场营销：我们在自动电子邮件营销及客户群识别上使用这些学习技术。
d. 医疗诊断：它在医疗领域也有广泛的应用，像癌症识别及异常检测等应用。
自然语言处理
针对类似情感分析、照片标签生成、在线广告等应用
此处可了解更多关于机器学习类应用。
未来趋势
如今，机器学习和数据科学已经成为一种趋势。在企业中，对这两种产品的需求都在迅速增长。对于那些想要在自己的业务中融入机器学习的公司，两者被迫切地需求着。
深度学习被发现和证明有最好的技术表现力。并且，深度学习正在不断给我们带来惊喜并将在不久的将来继续这样做。
近年来，研究人员不断探索机器学习和深度学习。过去，研究人员仅限于学术界。但是，如今，在工业和学术界中ML和DL都有自己的一席之地。
结论
我们已经研究讨论了深度学习和机器学习，并对两者进行了比较。为了更好地表达和理解，我们还研究了影像。如果你有任何问题，请在评论区提出。
转自网站：开源中国
关注公众账号
【飞马会】
▼
回复 数字“1”下载从入门到研究，人工智能领域最值得一读的10本资料（附下载）
回复 数字“2”机器学习 & 数据科学必读的经典书籍，内附资料包！
回复 数字“3”走进AI & ML：从基本的统计学到机器学习书单（附PDF下载）
回复 数字“4”了解人工智能，30份书单不容错过（附电子版PDF下载）
回复 数字“5”大数据学习资料下载，新手攻略，数据分析工具、软件使用教程
回复 数字“6”AI人工智能：54份行业重磅报告汇总（附下载）
回复 数字“7”TensorFlow介绍、安装教程、图像识别应用（附安装包/指南）
回复 数字“8”大数据资料全解析(352个案例+大数据交易白皮书+国内外政策汇篇)
回复 数字“9”干货 | 荐读10本大数据书籍（初级/中级/高级）成为大数据专家！
回复 数字“10”麦肯锡160页报告：2030年全球将可能8亿人要被机器抢饭碗
回复 数字“11”50本书籍大礼包：AI人工智能/大数据/Database/Linear Algebra/Python/机器学习/Hadoop
回复 数字“12”小白| Python+Matlab+机器学习+深度神经网络+理论+实践+视频+课件+源码，附下载！
回复 数字“13”大数据技术教程+书籍+Hadoop视频+大数据研报+科普类书籍
回复 数字“14”小白| 机器学习和深度学习必读书籍+机器学习实战视频/PPT+大数据分析书籍推荐！
回复 数字“15”大数据hadoop技术电子书+技术理论+实战+源代码分析+专家分享PPT
回复 数字“16”100G Python从入门到精通！自学必备全套视频教程+python经典书籍！
回复 数字“17”【干货】31篇关于深度学习必读论文汇总(附论文下载地址)
回复 数字“18”526份行业报告+白皮书：AI人工智能、机器人、智能出行、智能家居、物联网、VR/AR、 区块链等（附下载）
回复 数字“19”800G人工智能学习资料:AI电子书+Python语言入门+教程+机器学习等限时免费领取！
回复 数字“20”17张思维导图，一网打尽机器学习统计基础（附下载）
回复 数字“21”收藏 |7本 Matlab入门经典教程书籍，不可错过！
回复 数字“22”吴恩达新书，教你构建机器学习项目：《Machine Learning Yearning》
回复 数字“23”机器学习：怎样才能做到从入门到不放弃？（内含福利）
回复 数字“24”限时下载 | 132G编程资料：Python、JAVA、C，C++、机器人编程、PLC，入门到精通~
回复 数字“25”限资源 | 177G Python/机器学习/深度学习/算法/TensorFlow等视频，涵盖入门/中级/项目各阶段！
回复 数字“26”人工智能入门书单推荐，学习AI的请收藏好（附PDF下载）
回复 数字“27”资源 | 吴恩达斯坦福CS230深度学习课程全套资料放出（附下载）
回复 数字“28”懂这个技术的程序员被BAT疯抢...（内含资料包）
回复 数字“29”干货 | 28本大数据/数据分析/数据挖掘电子书合集免费下载！
回复 数字“30”领取 | 100+人工智能学习、深度学习、机器学习、大数据、算法等资料，果断收藏！
回复 数字“31”2G谷歌机器学习25讲速成课全集（中文版），限时下载
回复 数字“32”Matlab安装包+教程视频，让你从入门到精通！
回复 数字“33”程序员去阿里面试，没想到过程如此壮烈 （内含资料包）
回复 数字“34”内含干货 | 程序员离职四大原因，为何跳槽大数据成首选？
回复 数字“35”40G 吴恩达机器学习+林轩田机器学习（基石+技法）高等数学和线性代数等视频+书籍领取！
回复 数字“36”286页PDF教你如何搞明白深度学习的算法、理论与计算系统！(可下载)
回复 人工智能下载《FMI人工智能与大数据峰会嘉宾演讲PPT》
回复 AI 江湖下载《十大AI江湖领域》
回复 ML实践下载《机器学习实践经验指导（英文版）》
回复 DL论文下载《深度学习100篇以上论文资料》
回复 算法 下载《数据挖掘十大经典算法》
回复 6.10 下载《6.10饿了么&飞马网项目管理实践PPT》