深度学习和机器学习是什么？_什么是深度学习和机器学习

深度学习

基本概念

• 深度学习是机器学习算法中的一类，其源于人工神经网络的研究。
• 深度学习广泛应用在计算机视觉，音频处理，自然语言处理等诸多领域。
• 深度可以理解为数据计算转换的层数。

机器学习&深度学习

深度学习可以看做是机器学习的一个研究领域（没有严格的定义）。目前，机器学习主要处理结构化数据，而深度学习主要处理非结构化数据。

人工智能与机器学习

人工智能（Artificial Intelligence）是计算机科学的一个分支，目的是让计算机能够像人一样，对外界的环境做出反应。而机器学习，正是实现人工智能的一种方式。

模型的训练

输入模型的数据，我们称为训练数据。通过不断的进行训练，最终得到一个合适的模型，从而可以对未知的数据进行预测。而这个过程，是与我们人类学习的过程是相似的。只不过人的认知与判断是通过经验得到的，而机器的认知与判断是通过数据得到的。
我们可以将模型理解为一个函数(一种映射规则）。由训练数据来确定函数的参数，当参数确定好之后，我们就可以利用该模型（函数）对未知的数据（非训练时使用的数据）进行求值，也就是进行预测。

其中，用于训练模型的每条数据，我们称为一个样本，而样本中的每个属性，我们称为特征。每个样本的目标输出值，我们称为标签（监督学习）。特征习惯使用x表示，标签习惯使用y表示。这与函数的定义$y=f(x)$相符。
假设当前具有如下已知的样本数据（含有标签）：

我们不难找出x与y之间的关系，因此，很容易确定模型：
$y=x+1$
这样，当产生新的未知数据时（没有标签的数据），我们就可以使用该模型进行预测了。然而，现实中的数据不可能像上例中那么简单，模型也不可能总是通过肉眼就能观察出来的，这就需要我们通过机器学习算法来进行建模了。

机器学习分类

机器学习可以分为如下几类：

• 监督学习
  • 分类
  • 回归
• 无监督学习
  • 聚类
  • 降维
• 半监督学习
• 强化学习

开发流程

• 明确需求与目的
• 数据收集
  • 内部数据
  • 购买数据
  • 爬取数据
  • 调查问卷
• 数据预处理
  • 数据合并
  • 数据清洗
    • 缺失值
    • 异常值
    • 重复值
  • 数据转换
• 特征工程
• 数据建模
  • 建立模型
  • 选择模型
  • 测试模型
  • 部署模型