繼系列上一篇 所以，機器學習和深度學習的區別是什么?淺談后，今天繼續深入探討兩者的更多區別。

[[384229]]

前言

大多數人沒有意識到機器學習是人工智能(AI)的一種，它誕生于20世紀50年代。1959年，亞瑟·塞繆爾(Arthur Samuel)編寫了第一個計算機學習程序，在這個程序中，IBM計算機玩跳棋的時間越長，它就越擅長。快進到今天，當人工智能不僅僅是尖端技術，相關工作薪資高，工作令人興奮。機器學習工程師的需求量很大，無論是數據科學家還是軟件工程師都不具備機器學習領域所需的技能。公司需要精通這兩個領域的專業人士，但他們既不能勝任數據科學家的工作，也不能勝任軟件工程師的工作。這類人群就是機器學習工程師。

“人工智能”、“機器學習”和“深度學習”這三個詞經常交替出現，但如果你正在考慮從事人工智能的職業，了解它們之間的區別是很重要的。

根據牛津生活詞典，人工智能是“計算機系統的理論和發展，能夠執行通常需要人類智能的任務，如視覺感知、語音識別、決策和語言間的翻譯。”盡管它們可能被稱為“智能，“有些人工智能計算機系統不能自己學習;這就是機器學習和深度學習的用武之地。

讓我們深入討論機器學習和深度學習到底是什么，以及機器學習和深度學習的區別。

什么是機器學習?

通過機器學習，計算機系統通過編程來學習輸入的數據，而不需要重復編程。換言之，他們不斷地提高自己在任務上的表現，例如，在沒有人幫助下玩游戲。機器學習被廣泛應用于藝術、科學、金融、醫療等領域。有不同的方法讓機器學習。有些是簡單的，如一個基本的決策樹;有些則要復雜得多，涉及多層人工神經網絡。后者發生在深度學習中，我們一會兒再談。

機器學習之所以成為可能，不僅僅是因為亞瑟·塞繆爾(Arthur Samuel)在1959年的突破性計劃，使用了一個相對簡單(按今天的標準)的搜索樹作為其主要驅動程序，他的IBM計算機在跳棋方面不斷得到改進。

多虧了互聯網，大量的數據被創建和存儲，這些數據可以提供給計算機系統，幫助他們“學習”。使用Python進行機器學習是當今最流行的方法。

什么是深度學習?

有人認為深度學習是機器學習的下一個前沿，是最前沿的前沿。如果你看過Netflix，一些流媒體音樂服務會根據你過去聽過的歌曲，或你點贊過的歌曲，為你推薦觀看的內容。這些能力都建立在深入學習的基礎上。谷歌的語音識別和圖像識別算法也使用深度學習。

正如機器學習被認為是人工智能的一種類型，深度學習通常被認為是機器學習的一種類型，有人稱之為子集。雖然機器學習使用簡單的概念，如預測模型，深度學習使用人工神經網絡，旨在模仿人類的思維和學習方式。你可能還記得高中生物學中，人腦的主要細胞成分和主要計算元素是神經元，每個神經連接就像一臺小型計算機。大腦中的神經元網絡負責處理各種輸入：視覺、感覺等。

與機器學習一樣，在深度學習的計算機系統中，還是一樣被喂數據，但是信息往往是以巨大的數據集的形式存在的，因為深度學習系統需要大量的數據來理解，才能返回準確的結果。然后，人工神經網絡根據數據提出一系列二元真/假問題，涉及高度復雜的數學計算，并根據得到的答案對數據進行分類。

因此，盡管機器學習和深度學習都屬于人工智能的一般分類，而且都是從數據輸入中“學習”，但兩者之間有一些關鍵的區別。

機器學習和深度學習的5個關鍵區別

1 人為干預

不像在機器學習系統中，人類需要根據數據類型(例如，像素值、形狀、方向)識別和手工編碼應用的特征，深度學習系統會試圖在不需要額外人工干預的情況下學習這些特征。以人臉識別程序為例，程序首先學習檢測和識別人臉的邊緣和線條，然后學習人臉的更重要部分，最后學習人臉的整體表示。這樣做所涉及的數據量是巨大的，隨著時間的推移和程序本身的訓練，得到正確答案的概率(即準確識別人臉)便會增加。這種訓練是通過使用神經網絡進行的，類似于人腦的工作方式，不需要人重新編碼程序。

2 硬件

由于要處理的數據量和所用算法中涉及的數學計算的復雜性，深度學習系統比簡單的機器學習系統需要更強大的硬件。一種用于深度學習的硬件是圖形處理單元(gpu)。機器學習程序可以在低端機器上運行，不需要那么多算力。

3 時間

如您所料，由于深度學習系統需要大量的數據集，而且涉及到太多的參數和復雜的數學公式，因此深度學習系統可能需要花費大量的時間來訓練。機器學習可能只需要幾秒鐘到幾個小時，而深度學習可能需要幾個小時到幾個星期!

4 方法

機器學習中使用的算法傾向于對數據進行部分解析，然后將這些部分結合起來得到結果或解決方案。深度學習系統可以一下子解決整個問題或場景。例如，如果您想要一個程序來識別圖像中的特定對象(例如，它們是什么以及它們在停車場汽車牌照上的位置)，您就必須通過機器學習完成兩個步驟：首先是對象檢測，然后是對象識別。但是，使用深度學習程序，您將輸入圖像，通過訓練，程序將一次性得到已識別對象和其在圖像中的位置。

5 應用

考慮到上面提到的所有其他差異，您可能已經了解到機器學習和深度學習系統用于不同的應用程序。它們的用途：基本的機器學習應用程序包括預測程序(例如預測股票市場的價格或下一次颶風將在何時何地襲來)、垃圾電子郵件識別器，以及為醫療患者設計循證治療計劃的程序。

對于深度學習，除了上面提到的Netflix、音樂流服務和面部識別等例子之外，深度學習的一個廣為宣傳的應用是自動駕駛。這些程序使用多層神經網絡來確定要避開的對象、識別紅綠燈以及知道何時加速或減速。

機器學習與深度學習的未來趨勢

機器學習和深度學習的未來蘊含著無窮的可能!越來越多的機器人不僅用在制造業，而且在一些其他方面可以改善我們的日常生活方式。醫療行業也可能會發生變化，因為深度學習有助于醫生更早地預測或發現癌癥，從而挽救生命。在金融領域，機器學習和深度學習可以幫助公司甚至個人節省資金，更聰明地投資，更有效地分配資源。

而這三個領域僅僅是機器學習和深度學習未來趨勢的開始。許多需要改進的領域，現在仍然只是我們想象中的一個火花。