如果你經(jīng)常想讓自己弄清楚機器學習和深度學習的區(qū)別，閱讀該文章，我將用通俗易懂的語言為你介紹他們之間的差別。

機器學習和深度學習變得越來越火。突然之間，不管是了解的還是不了解的，所有人都在談論機器學習和深度學習。無論你是否主動關注過數(shù)據(jù)科學，你應該已經(jīng)聽說過這兩個名詞了。

為了展示他們的火熱程度，我在 Google trend 上搜索了這些關鍵字：

如果你想讓自己弄清楚機器學習和深度學習的區(qū)別，請閱讀本篇文章，我將用通俗易懂的語言為你介紹他們之間的差別。下文詳細解釋了機器學習和深度學習中的術語。并且，我比較了他們兩者的不同，別說明了他們各自的使用場景。

什么是機器學習和深度學習?

讓我們從基礎知識開始：什么是機器學習?和什么是深度學習?如果你對此已有所了解，隨時可以跳過本部分。

什么是機器學習?

一言以蔽之，由 Tom Mitchell 給出的被廣泛引用的機器學習的定義給出了***解釋。下面是其中的內(nèi)容：

“計算機程序可以在給定某種類別的任務 T 和性能度量 P 下學習經(jīng)驗 E ，如果其在任務 T 中的性能恰好可以用 P 度量，則隨著經(jīng)驗 E 而提高。”

是不是讀起來很繞口呢?讓我們用簡單的例子來分解下這個描述。

示例 1：機器學習和根據(jù)人的身高估算體重

假設你想創(chuàng)建一個能夠根據(jù)人的身高估算體重的系統(tǒng)(也許你出自某些理由對這件事情感興趣)。那么你可以使用機器學習去找出任何可能的錯誤和數(shù)據(jù)捕獲中的錯誤，首先你需要收集一些數(shù)據(jù)，讓我們來看看你的數(shù)據(jù)是什么樣子的：

圖中的每一個點對應一個數(shù)據(jù)，我們可以畫出一條簡單的斜線來預測基于身高的體重

例如這條斜線：

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

...這些斜線能幫助我們作出預測，盡管這些斜線表現(xiàn)得很棒，但是我們需要理解它是怎么表現(xiàn)的，我們希望去減少預測和實際之間的誤差，這也是衡量其性能的方法。

深遠一點地說，我們收集更多的數(shù)據(jù) (experience)，模型就會變得更好。我們也可以通過添加更多變量(例如性別)和添加不同的預測斜線來完善我們的模型。

示例2：颶風預測系統(tǒng)

我們找一個復雜一點的例子。假如你要構(gòu)建一個 颶風預測系統(tǒng) 。假設你手里有所有以前發(fā)生過的颶風的數(shù)據(jù)和這次颶風產(chǎn)生前三個月的天氣信息。

如果要手動構(gòu)建一個颶風預測系統(tǒng)，我們應該怎么做?

首先我們的任務是清洗所有的數(shù)據(jù)找到數(shù)據(jù)里面的模式進而查找產(chǎn)生颶風的條件。

我們既可以將模型條件數(shù)據(jù)(例如氣溫高于40度，濕度在80-100等)輸入到我們的系統(tǒng)里面生成輸出;也可以讓我們的系統(tǒng)自己通過這些條件數(shù)據(jù)產(chǎn)生合適的輸出。

我們可以把所有以前的數(shù)據(jù)輸入到系統(tǒng)里面來預測未來是否會有颶風?；谖覀兿到y(tǒng)條件的取值，評估系統(tǒng)的性能(系統(tǒng)正確預測颶風的次數(shù))。我們可以將系統(tǒng)預測結(jié)果作為反饋繼續(xù)多次迭代以上步驟。

讓我們根據(jù)前邊的解釋來定義我們的預測系統(tǒng)：我們的任務是確定可能產(chǎn)生颶風的氣象條件。性能P是在系統(tǒng)所有給定的條件下有多少次正確預測颶風。經(jīng)驗E是我們的系統(tǒng)的迭代次數(shù)。

什么是深度學習?

深度學習的概念并不新穎。它已經(jīng)存在好幾年了。但伴隨著現(xiàn)有的所有的炒作，深度的學習越來越受到重視。正如我們在機器學習中所做的那樣，先來看看深度學習的 官方定義 ，然后用一個例子來解釋。

“深度學習是一種特殊的機器學習，通過學習將世界使用嵌套的概念層次來表示并實現(xiàn)巨大的功能和靈活性，其中每個概念都定義為與簡單概念相關聯(lián)，而更為抽象的表示則以較不抽象的方式來計算。”

這也有點讓人混亂。下面使用一個簡單示例來分解下此概念。

示例1: 形狀檢測

先從一個簡單的例子開始，從概念層面上解釋究竟發(fā)生了什么的事情。我們來試試看如何從其他形狀中識別的正方形。

我們眼中的***件事是檢查圖中是否有四條的線(簡單的概念)。如果我們找到這樣的四條線，我們進一步檢查它們是相連的、閉合的和相互垂直的，并且它們是否是相等的(嵌套的概念層次結(jié)構(gòu))。

所以，我們完成了一個復雜的任務(識別一個正方形)，并以簡單、不太抽象的任務來完成它。深度學習本質(zhì)上在大規(guī)模執(zhí)行類似邏輯。

示例2: 貓 vs. 狗

我們舉一個動物辨識的例子，其中我們的系統(tǒng)必須識別給定的圖像中的動物是貓還是狗。

機器學習和深度學習的對比

現(xiàn)在的你應該已經(jīng)對機器學習和深度學習有所了解，接下來我們將會學習其中一些重點，并比較兩種技術。

數(shù)據(jù)依賴性

深度學習與傳統(tǒng)的機器學習最主要的區(qū)別在于隨著數(shù)據(jù)規(guī)模的增加其性能也不斷增長。當數(shù)據(jù)很少時，深度學習算法的性能并不好。這是因為深度學習算法需要大量的數(shù)據(jù)來***地理解它。另一方面，在這種情況下，傳統(tǒng)的機器學習算法使用制定的規(guī)則，性能會比較好。下圖總結(jié)了這一事實。

硬件依賴

深度學習算法需要進行大量的矩陣運算，GPU 主要用來高效優(yōu)化矩陣運算，所以 GPU 是深度學習正常工作的必須硬件。與傳統(tǒng)機器學習算法相比，深度學習更依賴安裝 GPU 的高端機器。

特征處理

特征處理 是將領域知識放入特征提取器里面來減少數(shù)據(jù)的復雜度并生成使學習算法工作的更好的模式的過程。特征處理過程很耗時而且需要專業(yè)知識。

在機器學習中，大多數(shù)應用的特征都需要專家確定然后編碼為一種數(shù)據(jù)類型。

特征可以使像素值、形狀、紋理、位置和方向。大多數(shù)機器學習算法的性能依賴于所提取的特征的準確度。

深度學習嘗試從數(shù)據(jù)中直接獲取高等級的特征，這是深度學習與傳統(tǒng)機器學習算法的主要的不同?；诖?，深度學習削減了對每一個問題設計特征提取器的工作。例如， 卷積神經(jīng)網(wǎng)絡 嘗試在前邊的層學習低等級的特征(邊界，線條)，然后學習部分人臉，然后是高級的人臉的描述。更多信息可以閱讀 神經(jīng)網(wǎng)絡機器在深度學習里面的有趣應用 。

問題解決方式

當應用傳統(tǒng)機器學習算法解決問題的時候，傳統(tǒng)機器學習通常會將問題分解為多個子問題并逐個子問題解決***結(jié)合所有子問題的結(jié)果獲得最終結(jié)果。相反，深度學習提倡直接的端到端的解決問題。

舉例說明：

假設有一個 多物體檢測 的任務需要圖像中的物體的類型和各物體在圖像中的位置。

傳統(tǒng)機器學會將問題分解為兩步：物體檢測和物體識別。首先，使用一個邊界框檢測算法掃描整張圖片找到可能的是物體的區(qū)域;然后使用物體識別算法(例如 SVM 結(jié)合 HOG )對上一步檢測出來的物體進行識別。

相反，深度學習會直接將輸入數(shù)據(jù)進行運算得到輸出結(jié)果。例如可以直接將圖片傳給 YOLO 網(wǎng)絡 (一種深度學習算法)，YOLO 網(wǎng)絡會給出圖片中的物體和名稱。

執(zhí)行時間

通常情況下，訓練一個深度學習算法需要很長的時間。這是因為深度學習算法中參數(shù)很多，因此訓練算法需要消耗更長的時間。***進的 深度學習算法 ResNet 完整地訓練一次需要消耗兩周的時間，而機器學習的訓練會消耗 的時間 相對較少，只需要幾秒鐘到幾小時的時間。

但兩者測試的時間上是完全相反。深度學習算法在測試時只需要很少的時間去運行。如果跟 k-nearest neighbors (一種機器學習算法)相比較，測試時間會隨著數(shù)據(jù)量的提升而增加。不過這不適用于所有的機器學習算法，因為有些機器學習算法的測試時間也很短。

可解釋性

至關重要的一點，我們把可解釋性作為比較機器學習和深度學習的一個因素。

我們看個例子。假設我們適用深度學習去自動為文章評分。深度學習可以達到接近人的標準，這是相當驚人的性能表現(xiàn)。但是這仍然有個問題。深度學習算法不會告訴你為什么它會給出這個分數(shù)。當然，在數(shù)學的角度上，你可以找出來哪一個深度神經(jīng)網(wǎng)絡節(jié)點被激活了。但是我們不知道神經(jīng)元應該是什么模型，我們也不知道這些神經(jīng)單元層要共同做什么。所以無法解釋結(jié)果是如何產(chǎn)生的。

另一方面，為了解釋為什么算法這樣選擇，像決策樹( decision trees )這樣機器學習算法給出了明確的規(guī)則，所以解釋決策背后的推理是很容易的。因此，決策樹和線性/ 邏輯回歸 這樣的算法主要用于工業(yè)上的可解釋性。