機器學習與深度學習

---

---

人工智慧是近來最熱門的趨勢之一。機器學習和深度學習構成了人工智慧。下圖所示的維恩圖解釋了機器學習和深度學習之間的關係：

機器學習

機器學習是讓計算機根據設計和程式設計的演算法執行的科學藝術。許多研究人員認為機器學習是朝著人類水平人工智慧取得進展的最佳途徑。機器學習包括以下型別的模式：

• 監督學習模式
• 無監督學習模式

深度學習

深度學習是機器學習的一個子領域，其中所關注的演算法受到稱為人工神經網路的大腦結構和功能的啟發。

深度學習的全部價值都來自於監督學習或從標記資料和演算法中學習。

深度學習中的每個演算法都經歷相同的過程。它包括輸入的非線性轉換層次結構，可用於生成作為輸出的統計模型。

考慮以下定義機器學習過程的步驟：

• 識別相關資料集並準備它們進行分析。
• 選擇要使用的演算法型別。
• 基於所使用的演算法構建分析模型。
• 在測試資料集上訓練模型，根據需要對其進行修改。
• 執行模型以生成測試分數。

機器學習和深度學習的區別

在本節中，我們將瞭解機器學習和深度學習的區別。

資料量

機器學習使用大量資料。它也適用於少量資料。另一方面，如果資料量迅速增加，深度學習的工作效率會更高。下圖顯示了機器學習和深度學習隨資料量變化的工作情況：

硬體依賴性

與傳統的機器學習演算法不同，深度學習演算法嚴重依賴於高階機器。深度學習演算法執行許多矩陣乘法運算，這需要大量的硬體支援。

特徵工程

特徵工程是將領域知識放入特定特徵以降低資料複雜度並使學習演算法可見的模式的過程。

示例 - 傳統的機器學習模式側重於畫素和其他特徵工程過程所需的屬性。深度學習演算法側重於來自資料的高階特徵。它減少了為每個新問題開發新的特徵提取器的任務。

問題解決方法

傳統的機器學習演算法遵循標準程式來解決問題。它將問題分解成各個部分，解決每一個部分，並將它們組合起來以獲得所需的結果。深度學習專注於端到端地解決問題，而不是將其分解成多個部分。

執行時間

執行時間是訓練演算法所需的時間。深度學習需要大量時間來訓練，因為它包含許多引數，這比通常需要更長的時間。相比之下，機器學習演算法需要的執行時間較少。

可解釋性

可解釋性是比較機器學習和深度學習演算法的主要因素。主要原因是深度學習在工業應用中仍然需要慎重考慮。

機器學習和深度學習的應用

在本節中，我們將瞭解機器學習和深度學習的不同應用。

• 計算機視覺，用於面部識別和透過指紋或車牌識別車輛進行考勤標記。

• 從搜尋引擎中檢索資訊，例如文字搜尋或影像搜尋。

• 自動電子郵件營銷，具有指定的目標識別。

• 癌症腫瘤的醫學診斷或任何慢性疾病的異常識別。

• 自然語言處理，用於照片標記等應用程式。解釋這種情況的最佳示例用於 Facebook。

• 線上廣告。

未來趨勢

• 隨著資料科學和機器學習在行業中應用趨勢的增加，對於每個組織來說，在其業務中融入機器學習將變得越來越重要。

• 深度學習正變得比機器學習更重要。深度學習正被證明是獲得最先進效能的最佳技術之一。

• 機器學習和深度學習將對研究和學術領域大有裨益。

結論

在本文中，我們概述了機器學習和深度學習，並透過圖例和差異進行了說明，同時也關注了未來趨勢。許多人工智慧應用程式主要利用機器學習演算法來驅動自助服務、提高座席效率和工作流程的可靠性。機器學習和深度學習演算法為許多企業和行業領導者帶來了令人興奮的展望。