深度学习与机器学习的基本区别,你不能不知道!.docVIP

介绍 机器学习和深度学习现在风靡一时！好像是在一瞬间，每个人都在谈论着它们 - 无论人们是否理解两者中间的差异！现在人们无论是否关注数据科学 - 都会听到过这两个术语。 现在展示一下深度学习和机器学习所获得的关注度，以下是这些关键字的Google趋势： 如果你想了解机器学习和深度学习之间的区别，请继续阅读这篇以简单的外行语言进行详细比较机器学习和深度学习的文章。我将会详细的解释这些术语。然后比较它们并解释我们可以在什么地方会用到它们。 1.什么是机器学习和深度学习 让我们从基础的知识开始开始说起 - 什么是机器学习和什么是深度学习。如果你已经知道这一点，那可以跳过这一部分，直接去看第二部分，两种学习之间的比较。 1.1什么是机器学习？ Tom Mitchell广泛引用的机器学习定义最好地解释了机器学习。这就是它所说的： “据说计算机程序可以从经验E中学习某些类型的任务T和用来测量的P，如果它在T中的任务中的表现（由P测量）会随着经验E的提高而提高” 这听起来很令人费解或令人困惑对吧？那让我们用简单的例子来分析一下。 示例1 - 机器学习 - 根据高度预测权重 假设现在需要创建一个系统，该系统根据人的身高来显示预期的体重。可能有几个原因会让人感兴趣对这个系统感兴趣。我们可以使用它来过滤掉任何可能的欺诈或数据获取的错误。首先要做的第一件事就是收集数据。假设我们现在的数据是这样子的： 图表上的每个点代表一个数据点。首先，我们可以画一条简单的线来预测基于身高的体重。举一个简单的例子： 体重（kg）=身高（cm） - 100 这样可以帮助我们做出预测。虽然这条预测线做得不错，但我们需要了解它的表现。在这种情况下，我们可以说我们希望减少预测值和实际值之间的差异。这就是衡量绩效的方法。 此外，我们收集的数据点越多（经验），我们的模型就越好。我们还可以通过添加更多变量（例如性别）并为它们创建不同的预测线来改进我们的模型。 示例2 - 风暴预测系统 让我们举一个稍微复杂一点的例子。假设现在需要构建一个风暴预测系统。通过过去发生的所有风暴的数据，以及这些风暴发生前三个月的天气状况。 考虑到这些，如果我们要手动建立一个风暴预测系统，我们需要做什么？ 我们首先必须检查所有的数据并找到这些数据中的模式。我们的任务是寻找导致风暴的条件。 我们可以模拟这样的条件，如果温度大于40摄氏度，湿度在80到100之间等等。然后手动将这些条件输入到我们的系统。 或者，我们可以让我们的系统在数据中了解到这些特征的适当值。 现在要找到这些值，需要浏览所有之前的数据，并尝试预测是否会有风暴。根据系统设置的特征值，我们评估系统的性能，就是系统正确预测风暴发生的次数。我们可以对上述步骤进一步多次迭代，将性能作为反馈给我们的系统。 让我们采用我们的正式定义来尝试定义我们的风暴预测系统：我们的任务“T”是找出引发风暴的大气条件。性能“P”是在提供给系统的所有条件中，正确预测风暴的次数。经验E是我们系统的重复模拟。 1.2什么是深度学习？ 深度学习的概念并不新鲜。它已经存在好几年了。但是现在随着不断的炒作，深度学习越来越受到关注。正如我们在机器学习中所做的那样，我们先研究深度学习的正式定义，然后通过例子对深度学习分解认识。 “深度学习是一种特殊的机器学习，它通过学习将世界表示为嵌套的概念层次结构来实现强大的功能和灵活性，每个概念都是根据更简单的概念进行定义的，而更抽象的表示则用不那么抽象的概念计算出来。 ” 这些概念同样会让人困惑不已。现在让我们用简单的例子来认识它。 示例1 - 形状检测 让我从一个简单的例子开始，它解释了在概念层面上事情是如何发生的。让我们试着理解如何识别其他形状的正方形。 我们眼睛做的第一件事就是检查是否有4条线与一个图形相关联（简单概念）。如果我们找到4条线，我们进一步检查它们是否连接，闭合，垂直以及它们是否相等（概念的嵌套层次结构）。 因此，我们采取了一项复杂的任务（确定一个正方形）并将其分解为简单的、不那么抽象的东西。深度学习在很大程度上就是这么做的 示例2 - 猫还是狗 让我们举一个动物识别器的例子，我们的系统必须识别给的图片是猫还是狗。 如果我们将此作为一个典型的机器学习问题的话，我们必须定义一些特征，诸如动物是否有胡须，是否有耳朵如果有耳朵，那么耳朵是尖的还是稍微圆一点的。简单点说，我们要定义面部特征，让系统识别哪些特征在对特定动物进行分类时比较重要。 现在，深度学习就比机器学习领先一步。深度学习会自动找出对分类很重要的特征，在机器学习中我们必须手动提供这些特征。深度学习的工作原理如下： 深度学习的工作原理如下： 它首先确定那些特征与找出猫和狗最相关 然后，它以层次结构为基础，找到可以找到的特征的组合。例如，是否存在胡须，或是否存在耳朵等。 在对复