【.com速译】机器学习与深度学习——异同点。人工智能已经成为时下的热门话题，人工智能的基本构建模块分为机器学习和深度学习。下面的维恩图解释了机器学习和深度学习之间的关系：机器学习：机器学习是指导计算机根据设计和编程的算法运行的技术。它允许计算机使用已经存在的数据进行学习。相当多的研究人员认为，机器学习是帮助人类在人工智能方面取得进步的最佳途径。机器学习包括多种模型类型，例如：1.监督学习模型在该模型中，每个示例或示例都与负责分析训练数据并生成推理函数的算法相关联。2.无监督学习模式在这种学习模式下，底层算法将从一组未标记的响应数据中推断出结论。最常见的无监督学习方法是聚类分析，主要用于发现分组数据中隐藏的模式。深度学习：深度学习是机器学习的一个子领域，涉及受大脑结构和功能启发的算法（即人工神经网络）。今天深度学习的全部价值是通过监督学习或标记数据和算法实现的。深度学习中的每个算法都经历相同的学习过程。深度学习由输入的非近线变换层次结构组成，可用于创建统计模型并输出相应的结果。机器学习过程使用以下步骤定义：1.识别相关数据集并准备它们以供分析。2.选择要使用的算法类型。3.根据所用算法建立分析模型。4.基于测试数据集进行模型训练，根据需要修改模型。5.运行模型生成测试分数。机器学习和深度学习的区别1.数据量：机器学习可以适应各种数据量，尤其适用于数据量较小的场景。另一方面，如果数据量快速增加，深度学习的效果会更加突出。下图展示了机器学习和深度学习在不同数据量下的性能水平。2、硬件依赖：与传统的机器学习算法相反，深度学习算法在设计上高度依赖高端设备。深度学习算法需要进行大量的矩阵乘法运算，因此需要足够的硬件资源来支持。3.特征工程：特征工程是将特定领域的知识放入特定特征的过程，目的是降低数据复杂度并生成可用于学习算法的模式。示例：传统的机器学习模型侧重于查找特征工程所需的像素和其他属性。深度学习算法关注数据的其他高级特征，从而减少特征提取器针对每个新问题的实际工作量。4.问题解决方法传统的机器学习算法遵循标准程序来解决问题。它将问题分解成多个部分，分别解决它们，然后组合结果以获得所需的答案。深度学习以集中的方式解决问题，无需拆分问题。5.执行时间执行时间是训练算法所需的时间量。深度学习需要大量的时间去训练，因为涉及的参数比较多，所以训练的时间投入也比较可观。相比之下，机器学习算法的执行时间相对较短。6.可解释性可解释性是机器学习和深度学习算法之间的主要区别之一——深度学习算法通常是不可解释的。正因为如此，业界在使用深度学习之前总是三思而后行。机器学习和深度学习的实际应用：1.计算机视觉技术，通过指纹扫描车牌进行签到、人脸识别或车牌识别。2、搜索引擎中的信息检索功能，如文本搜索、图片搜索等。3.具有特定目标识别的自动化电子邮件营销。4.癌症肿瘤的医学诊断或其他慢性病异常状态的鉴定。5、照片标注等自然语言处理应用。Facebook提供此类功能以改善用户体验。6.在线广告。未来发展趋势：1.随着行业越来越多地使用数据科学和机器学习技术，组织将机器学习解决方案引入其现有业务流程中最为重要。2、深度学习的重要性正在逐渐超越机器学习。事实证明，深度学习是目前最先进、最实用的技术解决方案之一。3.机器学习和深度学习将在研究和学术领域证明其巨大的潜力。总结在本文中，我们通过插图概述了机器学习和深度学习，以了解差异和未来趋势。已经有大量支持AI的应用程序利用机器学习算法来实现自主自助服务、提高座席生产力并提高工作流可靠性。相信机器学习和深度学习算法将为更多的企业和行业领导者带来激动人心和光明的前景。原标题：MachineLearningvsDeepLearning–WhatMakesThemDifferent，作者：SabeerShaikh
