机器学习、深度学习与云计算

机器学习

i.机器学习（Machine Learning）是一个大的方向，里面包括了很多种approach，比如deep learning, GMM, SVM, HMM, dictionary learning, knn, Adaboosting…不同的方法会使用不同的模型，不同的假设，不同的解法。这些模型可以是线性，也可以是非线性的。他们可能是基于统计的，也可能是基于稀疏的…
不过他们的共同点是：都是data-driven的模型，都是学习一种更加abstract的方式来表达特定的数据，假设和模型都对特定数据广泛适用。好处是，这种学习出来的表达方式可以帮助我们更好的理解和分析数据，挖掘数据隐藏的结构和关系。
Machine Learning的任务也可以不同，可以是预测（prediction），分类（classification），聚类（clustering），识别（recognition），重建（reconstruction），约束（regularization），甚至降噪（denoising），超分辨（super-resolution），除马赛克（Demosaicing）等等…

ii.深度学习（Deep Learning）是机器学习的一个子类，一般特指学习高层数的网络结构。这个结构中通常会结合线性和非线性的关系。
Deep Learning也会分各种不同的模型，比如CNN, RNN, DBN…他们的解法也会不同。
Deep Learning目前非常流行，因为他们在图像，视觉，语音等各种应用中表现出了很好的empirical performance。并且利用gpu的并行运算，在模型相当复杂，数据特别大量的情况下，依然可以达到很理想的学习速度。
因为Deep Learning往往会构建多层数，多节点，多复杂度的模型，人们依然缺乏多里面学习的结构模型的理解。很多时候，Deep Learning甚至会被认为拥有类似于人类神经网络的结构，并且这种类似性被当做deep learning居然更大potential的依据。

云计算

云计算是将我们传统的IT工作转为以网络为依托的云平台运行，

NIST（美国国家标准与技术研究院）在2011年下半年公布了云计算定义的最终稿，给出了

云计算模式所具备的

5个基本特征

（按需自助服务、广泛的网络访问、资源共享、快速的可伸缩性和可度量的服务）、

3种服务模式

（SaaS（软件即服务）、PaaS（平台即服务）和IaaS（基础设施即服务））和

4种部署方式

（私有云、社区云、公有云和混合云）