机器学习和深度学习之间的 5 个主要区别_机器学习和深度学习 目前的应用有什么差别

很多人可能没有意识到，作为人工智能的一种，机器学习早在20世纪50 年代就已经诞生了。亚瑟·塞缪尔 (Arthur Samuel) 于 1959 年编写了第一个计算机学习程序，IBM计算机使用这个编程下棋，玩得时间越久，它的下棋能力就越强。直到今日，人工智能已经不仅仅是一项尖端技术，它还可以带来令我们异常兴奋的高薪工作。机器学习工程师的需求量在不断扩大，正如MLE Tomasz Dudek所说，数据科学家和软件工程师都不具备机器学习领域所需的技能。公司迫切需要在这两个领域都精通但又可以做数据科学家和软件工程师都做不到的专业人士。那个人便是机器学习工程师。

“人工智能”、“机器学习”和“深度学习”这三个术语通常可以互换使用，但如果你正在考虑从事 AI 职业，那么了解它们的不同之处就很重要。从牛津词典中我们得知，人工智能是“计算机系统的理论和发展，能够执行通常需要人类智能才能完成的任务，例如视觉感知、语音识别、决策和语言之间的翻译。” 尽管一些AI计算机系统被称为“智能”，但它们并不会自行学习，这时就需要用到机器学习和深度学习。

目录

什么是机器学习？

什么是深度学习？

机器学习和深度学习之间的 5 个主要区别

机器学习和深度学习未来趋势

结论

---

什么是机器学习？

通过机器学习，计算机系统能够使用固定编程从输入的数据中不断学习，而无需重新编程。换句话说，计算机在没有人类额外帮助的情况下不断提升任务完成效果——例如，玩游戏。机器学习被广泛应用于各个领域：艺术、科学、金融、医疗保健，以及你能想到的其它领域。让机器学习的方法有很多种，有些很简单，比如基本的决策树，有些则复杂得多，会涉及多层人工神经网络。后者发生在深度学习中，稍后我们会进行深入讨论。

机器学习得以应用不仅依赖于 Arthur Samuel 在 1959 年做出的突破性编程，更得益于互联网，借助互联网，大量的数据被创建并存储，而这些数据可以提供给计算机系统并帮助它们“学习”。

使用 R 语言和Python 语言进行机器学习是当今使用的两种流行方法。本文中我们不会讨论特定的编程语言，但如果您想更深入地研究使用 R 语言和Python 语言进行机器学习，那么了解 R 或 Python 会有很大帮助。

什么是深度学习？

有些人认为深度学习是机器学习的进阶，前沿中的前沿。你可能已经体验到了深度学习编程的成果而不自知！观看 Netflix时你有没有注意到它的推荐内容？一些流媒体音乐服务会根据你听过的歌曲或者你点过赞标过“喜欢”的歌曲来为你推荐歌曲目录。这两种能力都基于深度学习。谷歌的语音识别和图像识别算法也使用了深度学习。

正如机器学习被认定为一种人工智能一样，深度学习通常被认定为机器学习的一种——有人称之为机器学习子集。机器学习使用预测模型等更为简单的概念，而深度学习使用意在模仿人类思考和学习方式的人工神经网络。你可还记得高中生物学中提到过，人类大脑的主要细胞成分和主要计算元素是神经元，每个神经元连接就像一台小型计算机。大脑中的神经元网络负责处理视觉、感觉、嗅觉等各种输入。

与机器学习一样，深度学习计算机系统也需要我们输入大量的信息，但这些信息通常以巨大数据集的形式存在，因为深度学习系统需要大量数据才能充分了解信息进而返回准确的结果。然后人工神经网络根据数据提出一系列二进制真/假问题，涉及高度复杂的数学计算，并根据收到的答案对数据进行分类。

因此，尽管机器学习和深度学习都属于人工智能的一般分类，并且都从数据输入中“学习”，但机器学习和深度学习之间存在一些关键差异。

机器学习和深度学习之间的 5 个主要区别

1. 人为干预

对于机器学习系统，人类需要根据数据类型（例如，像素值、形状、方向）识别并手动编码应用特征，而深度学习系统则试图在没有额外人工干预的情况下学习这些特征。以面部识别程序为例。此程序首先会学习检测识别人脸的边缘和线条，然后是人脸的更重要部分，最后是人脸的整体样貌。这样做会涉及到大量数据，随着时间的推移和程序自我训练，正确答案（即准确识别面部）的概率会逐渐增加。这种训练是通过使用神经网络进行的，类似于人脑的工作方式，不需要人类重新编程。

2. 硬件

由于要处理的数据量和所用算法中涉及的数学计算的复杂性不同，深度学习系统需要比简单的机器学习系统更强大的硬件。用于深度学习的一种硬件是图形处理单元 (GPU)。机器学习程序可以在没有那么多计算能力的低端机器上运行。

3. 时间

正如我们所了解的，由于深度学习系统需要庞大的数据集，而且它涉及的参数和数学公式非常之多，因此深度学习系统会需要大量训练时间。机器学习可能需要几秒钟到几个小时，而深度学习可能需要几个小时到几周的时间！

4. 方法

机器学习中使用的算法倾向于对不同部分进行数据解析，然后将这些部分组合起来从而得出结果或解决方案。深度学习系统则倾向于一次解决整个问题。例如，你想用一个程序来识别图像中的特定对象（它们是什么以及它们所在的位置——例如停车场汽车上的车牌），通过机器学习你必须完成两个步骤：首先是物体检测，然后是物体识别。而使用深度学习程序，你只需要输入图像，通过训练，程序将在一个结果中返回识别的对象及其在图像中的位置。

5. 应用

通过上述差异，你可能已经意识到机器学习和深度学习系统会用于不同的应用程序。使用地点：基本的机器学习应用程序包括预测程序（例如预测股票市场的价格或下一次飓风袭击的时间和地点）、垃圾邮件标识符以及为医疗患者设计循证治疗计划的程序。除了上面提到的 Netflix、音乐流媒体服务和面部识别的例子之外，深度学习另一个广为人知的应用领域便是自动驾驶汽车——该程序使用多层神经网络来做一些事情，比如确定要避开的物体、识别交通灯并知道何时加速或减速。

机器学习和深度学习未来趋势

未来机器学习和深度学习的可能性几乎是无限的！机器人的使用必然会增加，而且不局限于制造业中，它会延伸到改善我们日常生活方式的其它行业领域中。医疗保健行业也可能会发生变化，因为深度学习可以帮助医生更早地预测或筛查癌症，从而挽救生命。在金融方面，机器学习和深度学习有望帮助公司甚至个人节省资金、更明智地投资以及更有效地分配资源。而这三个领域只是机器学习和深度学习未来趋势的开始。很多待改进领域都已在开发者心中生成萌芽。

结论

通过这篇文章希望你能够对机器学习和深度学习有一个基本的认识，并能认识到两者将来的发展趋势。PayScale 报告显示，机器学习工程师 (MLE) 的薪水范围在 100,000 美元到 166,000 美元之间。因此，现在是开始进入AI领域或加深知识基础的最佳时机。如果你想掌握这项尖端技术，请查看系统专业的深度学习课程。如果你想在自己的简历中添加一份高质量证书从而深入发展AI 职业，请注册机器学习认证课程.