AI，机器学习和深度学习的区别到底是什么

1. 深度学习与AI。本质上来讲，人工智能相比深度学习是更宽泛的概念。人工智能现阶段分为弱人工智能和强人工智能，实际上当下科技能实现的所谓“人工智能”都是弱AI，奥创那种才是强AI（甚至是boss级的）。而深度学习，是AI中的一种技术或思想，曾被MIT技术评论列为2013年十大突破性技术（Deep Learning居首）。或者换句话说，深度学习这种技术（我更喜欢称其为一种思想，即end-to-end）说不定就是实现未来强AI的突破口。

2. 深度学习与ML。DL与ML两者其实有着某种微妙的关系。在DL还没有火起来的时候，它是以ML中的神经网略学习算法存在的，随着计算资源和big data的兴起，神经网络摇身一变成了如今的DL。学界对DL一般有两种看法，一种是将其视作feature extractor，仅仅用起提取powerful feature；而另一种则希望将其发展成一个新的学习分支，也就是我上面说的end-to-end的“深度学习的思想”。

机器学习与深度学习有什么不同

深度学习和机器学习的区别如下：

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。

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。

机器学习和深度学习之间的 5 个主要区别：

1. 人为干预

对于机器学习系统，人类需要根据数据类型（例如，像素值、形状、方向）识别并手动编码应用特征，而深度学习系统则试图在没有额外人工干预的情况下学习这些特征。以面部识别程序为例。此程序首先会学习检测识别人脸的边缘和线条，然后是人脸的更重要部分，最后是人脸的整体样貌。这样做会涉及到大量数据，随着时间的推移和程序自我训练，正确答案（即准确识别面部）的概率会逐渐增加。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，不需要人类重新编程。

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不同，深度学习系统需要比简单的机器学习系统更强大的硬件。用于深度学习的一种硬件是图形处理单元 (GPU)。机器学习程序可以在没有那么多计算能力的低端机器上运行。

3. 时间

正如我们所了解的，由于深度学习系统需要庞大的数据集，而且它涉及的参数和数学公式非常之多，因此深度学习系统会需要大量训练时间。机器学习可能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周的时间！

4. 方法

机器学习中使用的算法倾向于对不同部分进行数据解析，然后将这些部分组合起来从而得出结果或解决方案。深度学习系统一次解决整个问题。例如，你想用一个程序来识别图像中的特定对象（它们是什么以及它们所在的位置——例如停车场汽车上的车牌），你必须通过机器学习完成两个步骤：首先是物体检测，然后是物体识别。而使用深度学习程序，你只需要输入图像，通过训练，程序将在一个结果中返回识别的对象及其在图像中的位置。

5. 应用

通过上述差异，你可能已经意识到机器学习和深度学习系统会用于不同的应用程序。使用地点：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袭击的时间和地点）、垃圾邮件标识符以及为医疗患者设计循证治疗计划的程序。除了上面提到的 Netflix、音乐流媒体服务和面部识别的例子之外，深度学习另一个广为人知的应用领域便是自动驾驶汽车——该程序使用多层神经网络来做一些事情，比如确定要避开的物体、识别交通灯并知道何时加速或减速。

鹏仔微信 15129739599 鹏仔QQ344225443 鹏仔前端 pjxi.com 共享博客 sharedbk.com