机器学习和深度学习的 5 个关键区别

继系列上一篇 所以，机器学习和深度学习的区别是什么？浅谈后，今天继续深入探讨两者的更多区别。

前言

大多数人没有意识到机器学习是人工智能（AI）的一种，它诞生于20世纪50年代。1959年，亚瑟·塞缪尔（Arthur Samuel）编写了第一个计算机学习程序，在这个程序中，IBM计算机玩跳棋的时间越长，它就越擅长。快进到今天，当人工智能不仅仅是尖端技术，相关工作薪资高，工作令人兴奋。机器学习工程师的需求量很大，无论是数据科学家还是软件工程师都不具备机器学习领域所需的技能。公司需要精通这两个领域的专业人士，但他们既不能胜任数据科学家的工作，也不能胜任软件工程师的工作。这类人群就是机器学习工程师。

“人工智能”、“机器学习”和“深度学习”这三个词经常交替出现，但如果你正在考虑从事人工智能的职业，了解它们之间的区别是很重要的。

根据牛津生活词典，人工智能是“计算机系统的理论和发展，能够执行通常需要人类智能的任务，如视觉感知、语音识别、决策和语言间的翻译。”尽管它们可能被称为“智能，“有些人工智能计算机系统不能自己学习；这就是机器学习和深度学习的用武之地。

让我们深入讨论机器学习和深度学习到底是什么，以及机器学习和深度学习的区别。

什么是机器学习？

通过机器学习，计算机系统通过编程来学习输入的数据，而不需要重复编程。换言之，他们不断地提高自己在任务上的表现，例如，在没有人帮助下玩游戏。机器学习被广泛应用于艺术、科学、金融、医疗等领域。有不同的方法让机器学习。有些是简单的，如一个基本的决策树；有些则要复杂得多，涉及多层人工神经网络。后者发生在深度学习中，我们一会儿再谈。

机器学习之所以成为可能，不仅仅是因为亚瑟·塞缪尔（Arthur Samuel）在1959年的突破性计划，使用了一个相对简单（按今天的标准）的搜索树作为其主要驱动程序，他的IBM计算机在跳棋方面不断得到改进。

多亏了互联网，大量的数据被创建和存储，这些数据可以提供给计算机系统，帮助他们“学习”。使用Python进行机器学习是当今最流行的方法。

什么是深度学习？

有人认为深度学习是机器学习的下一个前沿，是最前沿的前沿。如果你看过Netflix，一些流媒体音乐服务会根据你过去听过的歌曲，或你点赞过的歌曲，为你推荐观看的内容。这些能力都建立在深入学习的基础上。谷歌的语音识别和图像识别算法也使用深度学习。

正如机器学习被认为是人工智能的一种类型，深度学习通常被认为是机器学习的一种类型，有人称之为子集。虽然机器学习使用简单的概念，如预测模型，深度学习使用人工神经网络，旨在模仿人类的思维和学习方式。你可能还记得高中生物学中，人脑的主要细胞成分和主要计算元素是神经元，每个神经连接就像一台小型计算机。大脑中的神经元网络负责处理各种输入：视觉、感觉等。

与机器学习一样，在深度学习的计算机系统中，还是一样被喂数据，但是信息往往是以巨大的数据集的形式存在的，因为深度学习系统需要大量的数据来理解，才能返回准确的结果。然后，人工神经网络根据数据提出一系列二元真/假问题，涉及高度复杂的数学计算，并根据得到的答案对数据进行分类。

因此，尽管机器学习和深度学习都属于人工智能的一般分类，而且都是从数据输入中“学习”，但两者之间有一些关键的区别。

机器学习和深度学习的5个关键区别

1 人为干预

不像在机器学习系统中，人类需要根据数据类型（例如，像素值、形状、方向）识别和手工编码应用的特征，深度学习系统会试图在不需要额外人工干预的情况下学习这些特征。以人脸识别程序为例，程序首先学习检测和识别人脸的边缘和线条，然后学习人脸的更重要部分，最后学习人脸的整体表示。这样做所涉及的数据量是巨大的，随着时间的推移和程序本身的训练，得到正确答案的概率（即准确识别人脸）便会增加。这种训练是通过使用神经网络进行的，类似于人脑的工作方式，不需要人重新编码程序。

2 硬件

由于要处理的数据量和所用算法中涉及的数学计算的复杂性，深度学习系统比简单的机器学习系统需要更强大的硬件。一种用于深度学习的硬件是图形处理单元（gpu）。机器学习程序可以在低端机器上运行，不需要那么多算力。

3 时间

如您所料，由于深度学习系统需要大量的数据集，而且涉及到太多的参数和复杂的数学公式，因此深度学习系统可能需要花费大量的时间来训练。机器学习可能只需要几秒钟到几个小时，而深度学习可能需要几个小时到几个星期！

4 方法

机器学习中使用的算法倾向于对数据进行部分解析，然后将这些部分结合起来得到结果或解决方案。深度学习系统可以一下子解决整个问题或场景。例如，如果您想要一个程序来识别图像中的特定对象（例如，它们是什么以及它们在停车场汽车牌照上的位置），您就必须通过机器学习完成两个步骤：首先是对象检测，然后是对象识别。但是，使用深度学习程序，您将输入图像，通过训练，程序将一次性得到已识别对象和其在图像中的位置。

5 应用

考虑到上面提到的所有其他差异，您可能已经了解到机器学习和深度学习系统用于不同的应用程序。它们的用途：基本的机器学习应用程序包括预测程序（例如预测股票市场的价格或下一次飓风将在何时何地袭来）、垃圾电子邮件识别器，以及为医疗患者设计循证治疗计划的程序。

对于深度学习，除了上面提到的Netflix、音乐流服务和面部识别等例子之外，深度学习的一个广为宣传的应用是自动驾驶。这些程序使用多层神经网络来确定要避开的对象、识别红绿灯以及知道何时加速或减速。

机器学习与深度学习的未来趋势

机器学习和深度学习的未来蕴含着无穷的可能！越来越多的机器人不仅用在制造业，而且在一些其他方面可以改善我们的日常生活方式。医疗行业也可能会发生变化，因为深度学习有助于医生更早地预测或发现癌症，从而挽救生命。在金融领域，机器学习和深度学习可以帮助公司甚至个人节省资金，更聪明地投资，更有效地分配资源。

而这三个领域仅仅是机器学习和深度学习未来趋势的开始。许多需要改进的领域，现在仍然只是我们想象中的一个火花。