機器學習的區別(differences between machine learning)和深度學習(deep learning)的區別

機器學習是一套用來建立計算機程式的方法，可以從觀察中學習並做出預測。機器學習使用演算法、回歸和相關科學來理解資料。這些演算法通常可以看作是統計模型和網路。...

什麼是機器學習(machine learning)？

機器學習是一套用來建立計算機程式的方法，可以從觀察中學習並做出預測。機器學習使用演算法、回歸和相關科學來理解資料。這些演算法通常可以看作是統計模型和網路。

什麼是深度學習(deep learning)？

深度學習是機器學習方法的一個子集。資料透過深度學習網路的多個層次進行解析，這樣網路就可以對資料做出結論和決策。深度學習方法允許在大資料集上獲得很高的精度，但是這些特性使得深度學習比傳統的機器學習更具資源密集性。

機器學習與深度學習的區別

與人工智慧的關係

幾十年來，機器學習一直被用作在機器中實現人工智慧的一種方法。機器學習的核心是創造能夠學習和決策的計算機，這使得機器學習非常適合人工智慧研究。然而，並非所有的機器學習模型都是為了開發出與人類智慧完美匹配或超越的“真正”人工智慧。相反，模型的設計往往是為了研究特定的、有限的問題。

深度學習是在機器學習討論的早期階段提出的，但是由於深度學習的計算量比經典機器學習要大得多，因此很少有研究者採用深度學習方法。然而，自2000年以來，計算機的計算能力呈指數級增長，使得研究人員能夠在機器學習和人工智慧構建方面取得巨大進步。因為深度學習模型能很好地適應資料的增長，所以深度學習有可能剋服創造真正人工智慧的重大障礙。

機器基礎結構與深度學習

機器學習和深度學習都是演算法。在經典的機器學習中，研究人員使用相對較少的資料，並決定演算法需要的資料中最重要的特徵是什麼，以便進行預測。這種方法稱為特徵工程。例如，如果一個機器學習程式被教去識別飛機的影象，那麼它的程式設計師就會**演算法，使程式能夠識別商用飛機的典型形狀、顏色和尺寸。有了這些資訊，機器學習程式就可以預測影象是否與所包含的飛機一起呈現。

深度學習與傳統的機器學習有很大的區別，它有很多決策層。深度學習網路通常被認為是“黑匣子”，因為資料透過多個網路層進行解析，每個網路層都進行觀察。這使得結果比經典機器學習的結果更難理解。決策層或步驟的確切數目取決於所選模型的型別和複雜性。

機器和深度學習中的資料和可伸縮性

機器學習傳統上使用小資料集來學習和預測。透過少量的資料，研究人員可以確定精確的特徵，這將有助於機器學習程式理解和從資料中學習。然而，如果程式遇到了無法根據現有演算法進行分類的資訊，研究人員通常需要手動分析有問題的資料並建立新的特徵。正因為如此，傳統的機器學習通常不能很好地適應大量的資料，但它可以在較小的資料集上最小化錯誤。

深度學習特別適合於大型資料集，模型通常需要大型資料集才有用。由於深度學習網路的複雜性，網路需要大量的訓練資料和訓練後的額外資料來測試網路。目前，研究人員正在改進深度學習網路，使之更有效，並使用更小的資料集。

機器和深度學習的效能要求

機器學習對計算機效能有不同的要求。有很多型號可以在普通個人電腦上執行。統計和數學方法越先進，計算機就越難快速處理資料。

深度學習往往是資源密集型的。透過多層決策分析大量資訊需要大量的計算能力。隨著計算機越來越快，深度學習變得越來越容易。

機器學習和深度學習的侷限性

傳統的機器學習有一些共同的和重要的侷限性。過度擬合是一個統計問題，會影響機器學習演算法。機器學習演算法在對資料進行分析和預測時存在一定的誤差。該演算法本應顯示相關變數之間的關係，但在過度擬合時，它也開始捕捉誤差，從而導致“噪聲”或不準確的模型。機器學習模型也會偏向於訓練資料的特性，當研究人員在整個可用資料集上訓練演算法而不是儲存一部分資料來測試演算法時，這一問題尤其明顯。

深度學習與經典機器學習有相同的統計缺陷，也有一些獨特的問題。對於許多問題，沒有足夠的可用資料來訓練一個相當準確的深度學習網路。收集或模擬真實世界問題的更多資料往往成本高昂或不可能，這限制了深度學習可用於的當前主題範圍。

機器學習與深度學習比較表

總結 - 機器的(of machine) vs. 深度學習(deep learning)

機器學習和深度學習都描述了教計算機學習和決策的方法。深度學習是經典機器學習的一個子集，一些重要的分歧使得深度學習和機器學習適合不同的應用。

經典的機器學習通常包括程式設計師的特徵工程，幫助演算法在一小部分資料上做出準確的預測。深度學習演算法通常被設計為具有多層決策，以要求不太具體的特徵工程。
傳統上，深度學習用於非常大的資料集，因此可以對網路或演算法進行訓練，以做出多層次的決策。經典的機器學習使用較小的資料集，並且不像深度學習那樣具有可伸縮性。
雖然深度學習可以從大量的資料中學習到很好的效果，但是仍然存在許多問題，因為沒有足夠的可用資料使深度學習變得有用。深度學習和機器學習都有標準的統計侷限性，如果訓練資料集是非常特殊的，或者是用不適當的統計技術收集的，則可能會有偏差。

發表於 2021-06-25 18:10
閱讀 ( 51 )
分類：科技

你可能感興趣的文章

遠端教育(distance learning)和線上學習(online learning)的區別

遠端學習與線上學習由於遠端學習和線上學習是相互聯絡的，人們過去常常混淆這兩個術語，但是遠端學習和線上學習有著明顯的區別。“遠端學習”一詞強調學生在學習過程中與教育機構不同的地理位置，而線上學習則強...

發佈於 2020-09-26 09:56
閲讀 ( 61 )

神經網路(neural network)和深度學習(deep learning)的區別

...可以更快地完成各種計算任務，而深度學習是一種特殊的機器學習，模仿人類獲取知識的學習方法。神經網路有助於建立預測模型來解決複雜問題。另一方面，深度學習是機器學習的一部分。它有助於發展語音識別、影象識別...

發佈於 2020-10-18 10:17
閲讀 ( 58 )

認知計算(cognitive computing)和機器學習(machine learning)的區別

...系統。什麼是認知計算與機器學習的關係(the relati***hip between cognitive computing and machine learning)？認知計算系統使用機器學習演算法。認知計算(cognitive computing)和機器學習(machine learning)的區別認知計算是一種新的硬體和/或軟體...

發佈於 2020-10-18 10:57
閲讀 ( 101 )

同步(synchronous)和非同步學習(asynchronous learning)的區別

同步學習與非同步學習的關鍵區別在於，同步學習類似於一個虛擬課堂，涉及一組學生同時參與學習；非同步學習涉及以學生為中心的學習，類似於自主學習，並有必要的線上學習資源。今天，線上學習是教育的一個重要方...

發佈於 2020-10-18 13:00
閲讀 ( 46 )

被監督的(supervised)和無監督機器學習(unsupervised machine learning)的區別

...。什麼是有監督和無監督機器學習的相似性(the similarity between supervised and unsupervised machine learning)？有監督學習和無監督學習都是機器學習的型別。被監督的(supervised)和無監督機器學習(unsupervised machine learning)的區別 ...

發佈於 2020-10-19 03:49
閲讀 ( 54 )