【51CTO.com快译】机器学习对深度学习——二者间的相近之处与差异所在。
如今人工智能已经成为一大热门话题，而人工智能的基本构建要素分为机器学习与深度学习。以下维恩图解释了机器学习与深度学习之间的关系：
- 机器学习：
机器学习是指令计算机按照设计与编程算法行事的技术。它允许计算机利用业已存在的数据进行学习。相当一部分研究人员认为机器学习是帮助人类在人工智能方面取得进展的最佳途径。机器学习包括多种模式类型，例如：
1.监督式学习模式
在这种模式下，各个例子或例证皆配合一种算法，该算法负责分析训练数据并生成推断函数。
2. 无监督学习模式
在这种学习模式下，基础算法将从一组未标记的响应数据当中推断出结论。最常见的无监督学习方法为聚类分析，主要用于发现分组数据内存在的隐藏模式。
- 深度学习：
深度学习属于机器学习的一个子域，其相关算法受到大脑结构与功能（即人工神经网络）的启发。深度学习如今的全部价值皆通过监督式学习或经过标记的数据及算法实现。深度学习中的每种算法皆经过相同的学习过程。深度学习包含输入内容的非近线变换层级结构，可用于创建统计模型并输出对应结果。
机器学习过程使用以下步骤进行定义：
1. 确定相关数据集并准备进行分析。
2. 选择要使用的算法类型。
3. 根据所使用的算法构建分析模型。
4. 立足测试数据集进行模型训练，并根据需要进行模型修改。
5. 运行模型以生成测试评分。
- 机器学习与深度学习间的区别
1. 数据量：
机器学习能够适应各种数据量，特别是数据量较小的场景。在另一方面，如果数据量迅速增加，那么深度学习的效果将更为突出。下图展示了不同数据量下机器学习与深度学习的效能水平。
2. 硬件依赖性：
与传统机器学习算法相反，深度学习算法在设计上高度依赖于高端设备。深度学习算法需要执行大量矩阵乘法运算，因此需要充足的硬件资源作为支持。
3. 特征工程：
特征工程是将特定领域知识放入指定特征的过程，旨在减少数据复杂性水平并生成可用于学习算法的模式。
示例：传统的机器学习模式专注于特征工程中所需要找像素及其他属性。深度学习算法则专注于数据的其他高级特征，因此能够降低处理每个新问题时特征提取器的实际工作量。
4. 问题解决方法
传统机器学习算法遵循标准程序以解决问题。它将问题拆分成数个部分，对其进行分别解决，而后再将结果结合起来以获得所需的答案。深度学习则以集中方式解决问题，而无需进行问题拆分。
5. 执行时间
执行时间是指训练算法所需要的时间量。深度学习需要大量时间进行训练，因为其中包含更多参数，因此训练的时间投入也更为可观。相对而言，机器学习算法的执行时间则相对较短。
6. 可解释性
可解释性是机器学习与深度学习算法间的主要区别之一——深度学习算法往往不具备可解释性。也正因为如此，业界在使用深度学习之前总会再三考量。
- 机器学习与深度学习的实际应用：
1. 通过指纹实现出勤打卡、人脸识别或者通过扫描车牌识别牌照号码的计算机视觉技术。
2. 搜索引擎中的信息检索功能，例如文本搜索与图像搜索。
3. 自动电子邮件营销与特定目标识别。
4. 癌症肿瘤医学诊断或其他慢性疾病异常状态识别。
5. 自然语言处理应用程序，例如照片标记。Facebook就提供此类功能以提升用户体验。
6. 在线广告。
- 未来发展趋势：
1. 随着业界越来越多地使用数据科学与机器学习技术，对各个组织而言，最重要的是将机器学习方案引入其现有业务流程。
2. 深度学习的重要程度正逐步超越机器学习。事实已经证明，深度学习是目前最先进且实际效能最出色的技术方案之一。
3. 机器学习与深度学习将在研究与学术领域证明自身蕴藏的巨大能量。
总结
在本文中，我们对机器学习与深度学习作出了概述，并通过插图了解二者间的差异以及未来发展趋势。目前，已经有大量人工智能型应用程序利用机器学习算法实现自主自助服务、提高代理生产力以及工作流程的可靠性。相信机器学习与深度学习算法将在更多企业及行业领导组织当中带来激动人心的光明前景。
原文标题：Machine Learning vs Deep Learning – What Makes Them Different，作者：Sabeer Shaikh
【51CTO译稿，合作站点转载请注明原文译者和出处为51CTO.com】
