貝葉斯機器學習與深度學習的區別

---

大多數人工智慧領域以外的人可能認為深度學習和機器學習是相同的。然而，情況並非如此。使用貝葉斯定理建模統計資料是貝葉斯機器學習的範例。深度學習是機器學習的一個分支，是一種多層人工神經網路。即使是一個簡單的神經網路也能逼近真相，但一個更復雜、具有隱藏層的神經網路可以大大提高精度。

所有對學習更多關於人工智慧感興趣的人都應該首先熟悉該領域使用的術語。這些神經網路從大量資料集中“學習”以模擬人腦活動，儘管它們距離腦力超群還有很遠。

貝葉斯機器學習

簡單來說，機器學習是指計算機如何透過分析資料來學習。可以使用貝葉斯機器學習範例透過貝葉斯定理構建統計模型。

p(θ|x)=p(x|θ)p(θ)p(x)

根據所用資料的性質，這些演算法可能會採用監督學習或無監督學習策略。貝葉斯機器學習的首要目標是估計給定似然機率p(x|)和先驗機率p()的後驗分佈p(|x)。可以從用於訓練的資料中推斷出似然機率。

在計算機科學和統計學中，演算法用於完成一項任務，而無需進行顯式編碼；它們透過識別資料中的模式並在收集更多資料時進行預測來實現此目的。該演算法透過推理和模式識別學習預測結果的能力，而無需任何預先程式設計。

機器學習基礎知識

普通最小二乘迴歸 (OLS) 是機器學習方法的一個例子。

即使在這個看似簡單的場景中也存在機器學習；驅動機器學習的引擎是普通的統計學。

深度學習

深度學習在今天得到了廣泛的應用。深度學習中使用的方法可以被看作是傳統機器學習技術的更高階和更復雜版本。基於深度學習的神經網路試圖使用資料輸入、權重和偏差來模擬人腦的工作方式。當我們談論“深度學習”時，我們指的是使用類似人類邏輯來分析資料並得出結論的演算法。記住，無論學習是否受到監控，這都是有效的。

深度神經網路由許多層相互連線的節點構成，以提供最準確的預測或分類。人工神經網路 (ANN) 用於深度學習應用程式來實現此目標。

一個ANN，它借鑑了人腦生物神經網路的線索，可以比傳統的機器學習模型更有效地學習。“前向傳播”描述了資料和計算如何在網路中移動。深度學習模型在輸入層接收資料，並在輸出層形成最終預測或分類。反向傳播是訓練模型的另一種方法。它使用梯度下降等技術來量化預測誤差，然後反向傳播到各層以改變函式的權重和偏差。

以上是對最基本形式的深度神經網路的簡化解釋。深度學習網路可以使用前向傳播和反向傳播進行預測和糾正錯誤，並且演算法會隨著時間的推移提高其準確性。然而，深度學習演算法非常複雜，許多不同型別的神經網路被設計用來解決各種問題和資料集。

深度學習基礎知識

目標識別和識別只是卷積神經網路 (CNN) 的許多用途中的兩個，卷積神經網路最常用於計算機視覺和影像分類應用。

在自動駕駛中，深度學習用於識別停止標誌和行人等物體。

由於能夠使用序列或時間序列資料，迴圈神經網路 (RNN) 在 NLP 和 SNR 任務中得到廣泛應用。

軍隊使用深度學習來分類衛星影像並確定地面士兵區域的相對安全性。當然，深度學習在消費電子領域也很普遍。

深度學習演算法由於其自學習能力和自主特徵工程，需要最少的人工干預。

深度學習需要大量的處理能力。構建深度神經網路曾經需要幾周時間 (!)，但是隨著具有強大GPU（用於加速計算的圖形處理單元）的雲計算基礎設施的出現，這可以縮短到幾小時。

貝葉斯機器學習與深度學習的區別

深度學習演算法屬於機器學習的範疇。因此，考慮深度學習與其他機器學習技術的區別可能會有所幫助。解釋是ANN演算法的結構、對人工互動的需求減少以及對資料需求的增加。

主題	貝葉斯機器學習	深度學習
定義	貝葉斯機器學習方法就像線性迴歸和決策樹一樣，結構非常簡單。這個多層ANN與人腦一樣複雜和相互關聯。	深度學習基於旨在學習的計算機網路。
演算法	作為貝葉斯機器學習系統，特徵是自動提取的，演算法從錯誤中學習。	使用深度學習演算法減少了人為花費的時間。
特徵	為了建立準確的預測，機器學習演算法需要“結構化”或“標記”資料，其中使用模型使用的輸入資訊指定單個特徵並相應地製表。	深度學習減少了為機器學習準備資料所需的時間和精力。透過攝取和處理非結構化資料（如影像和文字），這些演算法透過自動化特徵提取來減少對人類專家的依賴。
空間	貝葉斯機器學習可以使用幾百個資料點進行工作。因此，機器學習通常需要數百萬個。	深度學習比標準機器學習程式需要更多資訊。由於其複雜的多層結構，深度學習系統需要一個龐大的資料集來消除不規則性並生成準確的解釋。

結論

深度學習神經網路（也稱為人工神經網路）使用資料輸入、權重和偏差來模擬人腦的功能。這些元件協同工作以準確地識別、分類和表徵資料物件。深度學習網路的可見層是輸入層和輸出層。深度學習模型在輸入層接收資料，並在輸出層形成最終預測或分類。

深度神經網路由許多層相互連線的節點構成，以提供最準確的預測或分類。