机器学习是一种实现人工智能的方法,深度学习是一种实现机器学习的技术,深度学习是机器学习的一种。深度学习与机器学习的主要区别是在于性能。当数据量很少的时候,深度学习的性能并不好,因为深度学习算法需要大量数据才能很好理解其中蕴含的模式。

一般人工智能可能会吸引最多的公众关注,但应用人工智能领域却取得了最大的成功,并对行业产生了最大的影响。鉴于应用 AI 的重点性,已经开发出的系统不仅可以复制人类思维过程,而且还能够从他们处理的数据中学习 – 被广泛称为“机器学习”。

机器学习

1.数据依赖,深度学习与机器学习的主要区别是在于性能。当数据量很少的时候,深度学习的性能并不好,因为深度学习算法需要大量数据才能很好理解其中蕴含的模式。

2.硬件支持,深度学习算法严重依赖高端机,而传统的机器学习算法在低端机上就能运行。深度学习需要 GPUs 进行大量的矩阵乘法运算。

3.特征工程,特征工程就是将领域知识输入特征提取器,降低数据复杂度。从时间和专业性来讲,这个过程开销很高。

4.解决方案,通常,我们使用传统的算法解决问题。这需要将问题化整为零,分别解决,得到结果后再将其进行组合。

5.执行时间,由于深度学习中含有非常多的参数,较机器学习而言会耗费更多的时间。机器学习在训练数据的时候费时较少,同时只需几秒到几小时。

6.可解释性

应用场景

计算机视觉:车牌识别,人脸识别

信息检索:搜索引擎,文本检索,图像检索

营销:自动邮件营销,目标识别

医疗诊断:癌症检测,异常检测

自然语言处理:语义分析,照片标记,在线广告投放

展 望

1. 机器学习和数据科学发展势头强劲,对想要生存下来的企业来说,在业务中使用机器学习变得越发重要。

2. 深度学习已被证明是现有技术中最先进的技术之一,它给人们带来了无限多的惊喜,未来仍将如此。

3. 研究学者们仍在不断探索机器学习和深度学习。过去,对于二者的研究仅局限于学术范围,现在工业界也加大了对其的研究力度。

一个例子是图像识别,它越来越成为 AI 领导的领域。系统可以被设计为操纵预先编写的例程,该例程分析图片中的形状,颜色和对象,扫描数百万个图像以便教会自己如何正确地识别图像。

然而,随着这个过程的发展,它很快就变得清晰,机器学习过于依赖于人的提示,如果图像模糊或模糊,则会产生很大的误差。

深度学习已经成为下一代人工智能研究的起点。该术语指的是人工神经网络的构建,其类似于构成人脑的互连神经元。与大脑相比,神经元能够与其附近的任何其他神经元进行对话,这些人工网络是使用层来构建的,这些层创建了数据通过的路径。

这个想法是,一旦一个层完成对正在处理的数据的分析,它就会传递到下一层,在那里可以使用其他上下文信息对其进行重新分析。例如,在设计用于对抗银行欺诈的 AI 系统的情况下,第一层可以分析诸如最近交易的价值之类的基本信息,而第二层然后可以添加位置数据以通知分析。

对于 Google 的 AlphaGo 系统,该系统在 2016 年击败了冠军 Go 玩家,深度学习神经网络由数百个层组成,每个层提供额外的上下文信息。虽然机器学习是一种 AI,但这两个术语之间存在差异。

收藏0个人收藏
走进科技生活方式

评论交流

默认头像请「登录」后参与评论
  1. 加载中..