英文原文：Deep Learning vs. Machine Learning

假如你常常想让本人弄明白机械进修和深度进修的差别，浏览该文章，我将用浅显易懂的言语为你引见他们之间的差异。

机械进修和深度进修变得愈来愈火。忽然之间，不论是了解的仍是不了解的，一切人都在议论机械进修和深度进修。不管你能否自动存眷过数据科学，你应当曾经传闻过这两个名词了。

为了展现他们的炽热水平，我在 Google trend 上搜刮了这些要害字：

假如你想让本人弄明白机械进修和深度进修的差别，请浏览本篇文章，我将用浅显易懂的言语为你引见他们之间的差异。下文具体说明了机械进修和深度进修中的术语。而且，我比拟了他们二者的分歧，别阐明了他们各自的运用场景。

甚么是机械进修和深度进修?

让我们从根底常识Start：甚么是机械进修？和甚么是深度进修？假如你对此已有所了解，随时可以跳过本部分。

甚么是机械进修？

一言以蔽之，由 Tom Mitchell 给出的被普遍援用的机械进修的界说给出了最好说明。下面是此中的内容：

“盘算机顺序可以在给定某品种此外Task T 和功能怀抱 P 下进修经历 E ，假如其在Task T 中的功能恰恰可以用 P 怀抱，则跟着经历 E 而进步。”

是否是读起来很绕口呢？让我们用容易的例子来分化下这个描绘。

其它翻译版本 (1) 加载中

示例 1：机械进修和依据人的身高预算体重

假定你想创立一个可以依据人的身高预算体重的系统（或许你出自某些来由对这件工作感兴味）。那末你可使用机械进修去找出任何可能的过错和数据捕捉中的过错，起首你需求搜集一些数据，让我们来看看你的数据是甚么模样的：

图中的每个点对应一个数据，我们可以画出一条容易的斜线来猜测基于身高的体重

例如这条斜线：

Weight (in kg) = Height (in cm) - 100

...这些斜线能协助我们作出猜测，虽然这些斜线表示得很棒，可是我们需求了解它是怎样表示的，我们盼望去减少猜测和实践之间的误差，这也是权衡其功能的办法。

深远一点地说，我们搜集更多的数据 (experience)，模子就会变得更好。我们也能够经过添加更多变量（例如性别）和添加分歧的猜测斜线来完美我们的模子。

其它翻译版本 (1) 加载中

示例2：飓风猜测系统

我们找一个庞杂一点的例子。假设你要构建一个飓风猜测系统。假定你手里有一切之前发作过的飓风的数据和此次飓风发生前三个月的气象信息。

假如要手动构建一个飓风猜测系统，我们应当怎样做？

起首我们的Task是洗濯一切的数据找到数据外面的形式进而查找发生飓风的前提。

我们既可以将模子前提数据(例如气温高于40度，湿度在80-100等)输出到我们的系统外面生成输出；也能够让我们的系统本人经过这些前提数据发生适宜的输出。

我们可以把一切之前的数据输出到系统外面来猜测将来能否会有飓风。基于我们系统前提的取值，评价系统的功能(系统准确猜测飓风的次数)。我们可以将系统猜测后果作为反应继续屡次迭代以上步调。

让我们依据前边的说明来界说我们的猜测系统：我们的Task是断定可能发生飓风的气候前提。功能P是在系统一切给定的前提下有几多次准确猜测飓风。经历E是我们的系统的迭代次数。

甚么是深度进修?

深度进修的观点其实不新奇。它曾经存在好几年了。但随同着现有的一切的炒作，深度的进修愈来愈遭到注重。正如我们在机械进修中所做的那样，先来看看深度进修的官方界说，然后用一个例子来说明。

“深度进修是一种特别的机械进修，经过进修将天下运用嵌套的观点条理来表现并完成宏大的功用和灵敏性，此中每一个观点都界说为与容易观点相干联，而更加笼统的表现则以较不笼统的方法来盘算。”

这也有点让人凌乱。下面运用一个容易示例来分化下此观点。

示例1: 外形检测

先从一个容易的例子Start，从观点层面上说明终究发作了甚么的工作。我们来碰运气怎么从其他外形中辨认的正方形。

我们眼中的第一件事是反省图中能否有四条的线（容易的观点）。假如我们找到如许的四条线，我们进一步反省它们是相连的、闭合的和互相垂直的，而且它们能否是相等的（嵌套的观点条理构造）。

所以，我们完成了一个庞杂的Task（辨认一个正方形），并以容易、不太笼统的Task来完成它。深度进修实质上在大范围履行相似逻辑。

示例2: 猫 vs. 狗

我们举一个植物辨识的例子，此中我们的细叱必须辨认给定的图象中的植物是猫仍是狗。浏览下此文，以了解深度进修在处理此类问题上怎么比机械进修抢先一步。

机械进修和深度进修的比照

如今的你应当曾经对机械进修和深度进修有所了解，接下来我们将会进修此中一些重点，并比拟两种技巧。

数据依靠性

深度进修与传统的机械进修最首要的差别在于跟着数据范围的增加其功能也不时增加。当数据很少时，深度进修算法的功能其实不好。这是由于深度进修算法需求大量的数据来完满天文解它。另外一方面，在这类状况下，传统的机械进修算法运用制订的规矩，功能会比拟好。下图总结了这一现实。

硬件依靠

深度进修算法需求实行大量的矩阵运算，GPU 首要用来高效优化矩阵运算，所以 GPU 是深度进修正常任务的必需硬件。与传统机械进修算法比拟，深度进修更依靠装置 GPU 的高端机械。

特点处置

特点处置是将范畴常识放入特点提取器外面来减少量据的庞杂度并生成使进修算法任务的更好的形式的进程。特点处置进程很耗时并且需求专业常识。

在机械进修中，大大多数使用的特点都需求专家断定然后编码为一种数据类型。

特点可使像素值、外形、纹理、地位和标的目的。大大多数机械进修算法的功能依靠于所提取的特点的精确度。

深度进修测验考试从数据中间接获得初等级的特点，这是深度进修与传统机械进修算法的首要的分歧。基于此，深度进修增添了对每个问题设计特点提取器的任务。例如，卷积神经收集测验考试在前边的层进修高等级的特点(鸿沟，线条)，然后进修部分人脸，然后是初级的人脸的描绘。更多信息可以浏览神经收集机械在深度进修外面的风趣使用。

问题处理方法

当使用传统机械进修算法处理问题的时分，传统机械进修凡是会将问题分化为多个子问题并逐一子问题处理最初联合一切子问题的后果取得终极后果。相反，深度进修倡导间接的端到真个处理问题。

举例阐明：

假定有一个多物体检测的Task需求图象中的物体的类型和各物体在图象中的地位。

传统机械学会将问题分化为两步：物体检测和物体辨认。起首，运用一个鸿沟框检测算法扫描整张图片找到可能的是物体的区域；然后运用物体辨认算法(例如 SVM 联合 HOG )对上一步检测出来的物体实行辨认。

相反，深度进修会间接将输出数据实行运算失掉输出后果。例如可以间接将图片传给 YOLO 收集(一种深度进修算法)，YOLO 收集会给出图片中的物体和称号。

履行工夫

凡是状况下，练习一个深度进修算法需求很长的工夫。这是由于深度进修算法中参数非常多，因而练习算法需求耗费更长的工夫。最早进的深度进修算法 ResNet完好地练习一次需求耗费两周的工夫，而机械进修的练习会耗费的工夫绝对较少，只需求几秒钟到几小时的工夫。

但二者测试的工夫上是完整相反。深度进修算法在测试时只需求很少的工夫去运转。假如跟 k-nearest neighbors（一种机械进修算法）比拟较，测试工夫会跟着数据量的晋升而增加。不外这不实用于一切的机械进修算法，由于有点机械进修算法的测试工夫也很短。

可说明性

相当主要的一点，我们把可说明性作为比拟机械进修和深度进修的一个要素。

我们看个例子。假定我们实用深度进修去主动为文章评分。深度进修可以到达靠近人的规范，这是相当惊人的功能表示。可是这依然有个问题。深度进修算法不会通知你为何它会给出这个分数。固然，在数学的角度上，你可以找出来哪个深度神经收集节点被激活了。可是我们不晓得神经元应当是甚么模子，我们也不晓得这些神经单位层要配合做甚么。所以没法说明后果是怎么发生的。

另外一方面，为了说明为何算法如许选择，像决议计划树(decision trees)如许机械进修算法给出了明白的规矩，所以说明决议计划面前的推理是很轻易的。因而，决议计划树和线性/逻辑回归如许的算法首要用于产业上的可说明性。

本文中的一切译文仅用于进修和交换目标，转载请务必注明文章译者、出处、和本文链接。 2KB翻译任务按照 CC 协议，假如我们的任务有进犯到您的权益，请实时联络我们。

2KB项目（www.2kb.com，源码交易平台）,提供担保交易、源码交易、虚拟商品、在家创业、在线创业、任务交易、网站设计、软件设计、网络兼职、站长交易、域名交易、链接买卖、网站交易、广告买卖、站长培训、建站美工等服务