什么是机器学习(machine learning)？

机器学习是一套用来创建计算机程序的方法，可以从观察中学习并做出预测。机器学习使用算法、回归和相关科学来理解数据。这些算法通常可以看作是统计模型和网络。

什么是深度学习(deep learning)？

深度学习是机器学习方法的一个子集。数据通过深度学习网络的多个层次进行解析，这样网络就可以对数据做出结论和决策。深度学习方法允许在大数据集上获得很高的精度，但是这些特性使得深度学习比传统的机器学习更具资源密集性。

机器学习与深度学习的区别

与人工智能的关系

几十年来，机器学习一直被用作在机器中实现人工智能的一种方法。机器学习的核心是创造能够学习和决策的计算机，这使得机器学习非常适合人工智能研究。然而，并非所有的机器学习模型都是为了开发出与人类智能完美匹配或超越的“真正”人工智能。相反，模型的设计往往是为了研究特定的、有限的问题。

深度学习是在机器学习讨论的早期阶段提出的，但是由于深度学习的计算量比经典机器学习要大得多，因此很少有研究者采用深度学习方法。然而，自2000年以来，计算机的计算能力呈指数级增长，使得研究人员能够在机器学习和人工智能构建方面取得巨大进步。因为深度学习模型能很好地适应数据的增长，所以深度学习有可能克服创造真正人工智能的重大障碍。

机器基础结构与深度学习

机器学习和深度学习都是算法。在经典的机器学习中，研究人员使用相对较少的数据，并决定算法需要的数据中最重要的特征是什么，以便进行预测。这种方法称为特征工程。例如，如果一个机器学习程序被教去识别飞机的图像，那么它的程序员就会**算法，使程序能够识别商用飞机的典型形状、颜色和尺寸。有了这些信息，机器学习程序就可以预测图像是否与所包含的飞机一起呈现。

深度学习与传统的机器学习有很大的区别，它有很多决策层。深度学习网络通常被认为是“黑匣子”，因为数据通过多个网络层进行解析，每个网络层都进行观察。这使得结果比经典机器学习的结果更难理解。决策层或步骤的确切数目取决于所选模型的类型和复杂性。

机器和深度学习中的数据和可伸缩性

机器学习传统上使用小数据集来学习和预测。通过少量的数据，研究人员可以确定精确的特征，这将有助于机器学习程序理解和从数据中学习。然而，如果程序遇到了无法根据现有算法进行分类的信息，研究人员通常需要手动分析有问题的数据并创建新的特征。正因为如此，传统的机器学习通常不能很好地适应大量的数据，但它可以在较小的数据集上最小化错误。

深度学习特别适合于大型数据集，模型通常需要大型数据集才有用。由于深度学习网络的复杂性，网络需要大量的训练数据和训练后的额外数据来测试网络。目前，研究人员正在改进深度学习网络，使之更有效，并使用更小的数据集。

机器和深度学习的性能要求

机器学习对计算机性能有不同的要求。有很多型号可以在普通个人电脑上运行。统计和数学方法越先进，计算机就越难快速处理数据。

深度学习往往是资源密集型的。通过多层决策分析大量信息需要大量的计算能力。随着计算机越来越快，深度学习变得越来越容易。

机器学习和深度学习的局限性

传统的机器学习有一些共同的和重要的局限性。过度拟合是一个统计问题，会影响机器学习算法。机器学习算法在对数据进行分析和预测时存在一定的误差。该算法本应显示相关变量之间的关系，但在过度拟合时，它也开始捕捉误差，从而导致“噪声”或不准确的模型。机器学习模型也会偏向于训练数据的特性，当研究人员在整个可用数据集上训练算法而不是保存一部分数据来测试算法时，这一问题尤其明显。

深度学习与经典机器学习有相同的统计缺陷，也有一些独特的问题。对于许多问题，没有足够的可用数据来训练一个相当准确的深度学习网络。收集或模拟真实世界问题的更多数据往往成本高昂或不可能，这限制了深度学习可用于的当前主题范围。

机器学习与深度学习比较表

总结 - 机器的(of machine) vs. 深度学习(deep learning)

机器学习和深度学习都描述了教计算机学习和决策的方法。深度学习是经典机器学习的一个子集，一些重要的分歧使得深度学习和机器学习适合不同的应用。

• 经典的机器学习通常包括程序员的特征工程，帮助算法在一小部分数据上做出准确的预测。深度学习算法通常被设计为具有多层决策，以要求不太具体的特征工程。
• 传统上，深度学习用于非常大的数据集，因此可以对网络或算法进行训练，以做出多层次的决策。经典的机器学习使用较小的数据集，并且不像深度学习那样具有可伸缩性。
• 虽然深度学习可以从大量的数据中学习到很好的效果，但是仍然存在许多问题，因为没有足够的可用数据使深度学习变得有用。深度学习和机器学习都有标准的统计局限性，如果训练数据集是非常特殊的，或者是用不适当的统计技术收集的，则可能会有偏差。