什么是机器学习？

机器学习是一套用于创建计算机程序的方法，计算机程序可以从观察中学习并进行预测。机器学习使用算法、回归和相关科学来理解数据。这些算法一般可视为统计模型和网络。

什么是深度学习？

深度学习是机器学习方法的一个子集。数据通过多层深度学习网络进行解析，从而使网络能够得出结论并对数据做出决策。深度学习方法可以在大数据集上实现极高的准确性，但这些特点使得深度学习比传统机器学习更加耗费资源。

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实现机器人工智能的一种方法。机器学习领域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。并非所有的机器学习模型都是为了开发出完全匹配或超越人类智能的 “真正 “人工智能。相反，模型通常是为研究特定的、有限的问题而设计的。

深度学习在机器学习讨论的早期阶段就已提出，但由于深度学习的计算要求远高于经典机器学习，因此很少有研究人员采用深度学习方法。自 2000 年以来，计算机的计算能力呈指数级增长，使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。由于深度学习模型可以随着数据的增加而扩展，因此深度学习有可能克服创造真正人工智能的重大障碍。

机器学习和深度学习的基本构造
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，然后决定算法需要哪些数据中最重要的特征来进行预测。这种方法被称为特征工程。例如，如果要教机器学习程序识别飞机图像，程序员就会制定算法，让程序识别商用飞机的典型形状、颜色和大小。有了这些信息，机器学习程序就能预测所呈现的图像中是否包含飞机。

深度学习与传统机器学习的区别通常在于其决策层较多。深度学习网络通常被认为是 “黑盒子”，因为数据要通过多个网络层进行解析，而每个网络层都要进行观察。这可能会使结果比经典机器学习的结果更难以理解。决策层或决策步骤的确切数量取决于所选模型的类型和复杂程度。

机器学习和深度学习中的数据和可扩展性
机器学习传统上使用小数据集进行学习和预测。通过少量数据，研究人员可以确定精确的特征，帮助机器学习程序理解数据并从中学习。但是，如果程序遇到无法根据已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，经典机器学习通常不能很好地扩展到海量数据，但它可以在较小的数据集上最大限度地减少错误。

深度学习尤其适合大型数据集，模型通常需要大型数据集才能发挥作用。由于深度学习网络的复杂性，该网络需要大量的训练数据和额外的数据，以便在训练后对网络进行测试。目前，研究人员正在改进深度学习网络，以提高其效率并使用更小的数据集。

机器学习和深度学习的性能要求
机器学习对计算机性能的要求各不相同。有很多模型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。

深度学习往往非常耗费资源。通过多层决策来解析大量信息需要大量的计算能力。随着计算机的速度越来越快，深度学习也越来越容易实现。

机器学习和深度学习的局限性
传统的机器学习有一些常见的重大局限性。过拟合是一个可能影响机器学习算法的统计问题。机器学习算法在分析和预测数据时会包含一定的 “误差”。算法本应显示相关变量之间的关系，但在过度拟合时，算法也开始捕捉误差，从而导致模型 “更嘈杂 “或不准确。机器学习模型还可能偏向于其训练数据的特异性，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，这个问题就尤为明显。

深度学习与经典机器学习在统计方面存在相同的缺陷，但也有一些独特的问题。对于许多问题来说，没有足够的可用数据来训练一个合理准确的深度学习网络。收集更多数据或模拟现实世界中的问题往往成本高昂或不可能，这限制了深度学习目前可用于的主题范围。

机器学习与深度学习的比较总结

机器学习和深度学习都描述了教授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，深度学习和机器学习之间存在一些重要的差异，因此各自适用于不同的应用。
经典机器学习通常包括程序员的特征工程，帮助算法在小数据集上做出准确预测。深度学习算法通常设计有多个决策层，不需要太多特定的特征工程。
深度学习传统上用于非常大的数据集，这样就可以训练网络或算法做出多层决策。传统机器学习使用较小的数据集，可扩展性不如深度学习。
虽然深度学习可以在大量数据上很好地学习，但在很多问题上，没有足够的可用数据让深度学习发挥作用。深度学习和机器学习都有标准的统计局限性，如果训练数据集非常特殊，或者收集数据时使用了不恰当的统计技术，就会产生偏差。

机器学习和深度学习的区别

本文由网友：石刘鑫 投稿 欢迎任何形式的转载，但请务必注明出处，尊重他人劳动成果。
转载请注明：文章转载自 有区别网 [http://www.vsdiffer.com]
本文标题：机器学习和深度学习的区别
本文链接：https://www.vsdiffer.com/vs/machine-learning-vs-deep-learning.html
免责声明：以上内容仅代表 网友：石刘鑫 个人看法、理解、学习笔记、总结和研究收藏。不保证其正确性，因使用而带来的风险与本站无关！如本网站内容冒犯了您的权益，请联系站长，邮箱： ，我们核实并会尽快处理。