深度学习与机器学习

在计算机出现的初期，科学家们主要用它们来执行简单的数学和逻辑运算。然后，计算机慢慢进化为执行复杂的计算，精心解决问题，并形成世界的信息支柱。超越传统计算的范围意味着计算机需要智能。

研究人员和计算机工程师转向模仿人类智能。人工智能 (AI) 是计算机科学领域，致力于创建与人类一样智能的计算系统。最初的人工智能模型是执行复杂逻辑操作的计算系统。后来，开发了更先进的技术来执行更智能或“智能”的任务。

AI 中最常用的两个术语是机器学习和深度学习。本文着眼于这两种技术的起源、它们之间的共性和差异。

深度学习和机器学习

机器学习和深度学习是人工智能的子集。在它们之间，深度学习是机器学习的子集。这意味着所有深度学习都是机器学习，但并非所有机器学习都是深度学习。为了理解它们之间的差异，本文其余部分中的机器学习一词不包括深度学习。

图 1. 显示 AI、机器学习和深度学习如何相互关联的图形。图片由提供 Avimanyu786

机器学习

机器学习分析大量数据以了解训练数据集的特征。从训练数据集中学到的知识应用于其他数据集，以做出“智能”决策。使用训练数据集创建的模型可以与其他类似的数据集一起使用以生成所需的输出。

机器学习模型的训练数据集应该有标签，开发人员必须在训练新模型时监督和调整学习过程。除了基本的计算，统计模型也大量用于训练机器学习模型。

区分猫和狗是人工学习空间中的一个常见例子。以下概述了如何使用数据训练机器学习模型。

训练模型输入了数千张猫和狗的图像。这些图像中的每一个都被标记为“猫”或“狗”。训练中的模型从图像中识别出区分猫、狗和其他物体的特征。使用统计技术从图像中识别特征。一旦使用足够的数据训练模型，就会输入未标记的图像。如果训练后的模型能够成功地以预期的准确率区分猫和狗的图像，则是一个成功的机器学习模型。

深度学习

深度学习是传统机器学习的进化。人类不是用成千上万个标记的例子来学习的；他们无需太多外部帮助或验证即可自动学习。深度学习让机器学习更接近这种智能学习模式。

深度学习模型也必须用大量数据训练，但模型不是用标记数据训练的。馈送到深度学习模型的所有数据都未标记。该模型从数据中识别不同的元素以提供所需的输出。

图2。 农业中使用的神经网络的可视化表示。

深度学习模型使用称为神经网络的复杂数学系统从数据中学习。它包含多层不同权重的数学函数。术语深度学习中的“深度”来自这些处理层。

让我们概述一下深度学习模型如何区分猫和狗。神经网络输入了大量未标记的猫和狗图像。神经网络必须找出图片中有两组动物，然后确定如何区分这两种动物。不需要标记数据或开发人员的监督。

一旦模型训练成功，它就可以区分任意数量的猫和狗的图像。

比较机器学习和深度学习

下表是机器学习和深度学习之间差异的快速比较。请记住，在此比较中，机器学习一词不包括深度学习，即使深度学习是机器学习的一个子集。

图 3。 比较机器学习和深度学习的表格。

深度学习的工业应用

机器学习和深度学习都有工业应用。深度学习可用于所有可以通过机器学习完成的应用程序。但是深度学习需要更多的专业知识、大量的数据、更高的计算能力和时间。由于这些因素，两种技术之间的选择涉及多种因素的考虑。

当需要更高的准确性时，深度学习模型是首选。但是，要使用深度学习模型实现更高的准确率，必须处理非常大量的数据，因此需要更长的训练周期。机器学习算法在大多数情况下可以实现日常使用。

另一个需要考虑的一般特征是问题的复杂性。随着复杂性的增加，深度学习模型比机器学习模型效果更好。但是，对于在哪里使用这些技术没有一成不变的规则。例如，机器学习足以分析和预测工厂的能源消耗。然而，建立一个自动化的质量控制系统是不够的，在这种情况下需要深度学习算法。

今天，机器学习比深度学习更容易获得，即使在行业中也是如此。但在适当的时候，深度学习模型将会改进，降低实施成本和进入门槛，这意味着将以更低的价格获得更多的计算能力。随着时间的推移，深度学习在行业中的应用将会增加。