歡迎大家前往騰訊雲+社群，獲取更多騰訊海量技術實踐乾貨哦~
在本文中，我們將研究深度學習和機器學習之間的差異。我們將逐一瞭解它們，然後討論他們在各個方面的不同之處。除了深度學習和機器學習的比較外，我們還將研究他們未來的趨勢和走向。
深度學習與機器學習簡介
一、什麼是機器學習？
通常，為了實現人工智慧，我們使用機器學習。我們有幾種演算法用於機器學習。例如：
Find-S演算法
決策樹演算法（Decision trees）
隨機森林演算法（Random forests）
人工神經網路
通常，有3種型別的學習演算法：
1，監督機器學習演算法用於進行預測。此外，該演算法搜尋分配給資料點的值標籤內的模式。
2，無監督機器學習演算法：沒有標籤與資料點相關聯。這些ML演算法將資料組織成一組簇。此外，它需要描述其結構，使複雜的資料看起來簡單，有條理，便於分析。
3，增強機器學習演算法：我們使用這些演算法來選擇動作。此外，我們可以看到它基於每個資料點。一段時間後，演算法改變其策略以更好地學習。
二、什麼是深度學習？
機器學習只關注解決現實問題。它還需要更加智慧的一些想法。機器學習通過旨在模仿人類決策能力的神經網路。ML工具和技術是關鍵的兩個深度學習的窄子集，我們需要用他們來解決需要思考的問題。任何深度神經網路都將包含三種型別的圖層：
輸入層
隱藏層
輸出層
我們可以說深度學習是機器學習領域的最新領域。這是實現機器學習的一種方式。
深度學習與機器學習
我們使用機器演算法來解析資料，從資料中學習，並根據所學知識做出明智的決策。基本上，深度學習用於建立人工“神經網路” ，可以自己學習和做出明智的決策。我們可以說深度學習是機器學習的一個子領域。
機器學習與深度學習的比較
資料依賴性
效能是兩種演算法之間的主要關鍵區別。雖然，當資料很小時，深度學習演算法表現不佳。這就是是深度學習演算法需要大量資料才能完美理解的原因。
但是，在這種情況下，我們可以看到演算法的使用以及他們手工製作的規則。上圖總結了這一事實。
硬體依賴
通常，深度學習依賴於高階機器，而傳統學習依賴於低端機器。因此，深度學習要求包括GPU。這是它工作中不可或缺的一部分。它們還進行大量的矩陣乘法運算。
特色工程
這是一個普遍的過程。在此，領域知識被用於建立特徵提取器，以降低資料的複雜性，並使模式更加可見以學習演算法的工作。雖然，處理起來非常困難。因此，這是需要非常多的專業知識和時間。
解決問題的方法
通常，我們使用傳統演算法來解決問題。但是，它需要將問題分解為不同的部分以單獨解決它們。要獲得結果，請將它們全部組合起來。
例如：
讓我們假設你有一個多物件檢測的任務。在此任務中，我們必須確定物件是什麼以及它在影像中的位置。在機器學習方法中，我們必須將問題分為兩個步驟：
1.物體檢測
2.物體識別
首先，我們使用抓取演算法瀏覽影像並找到所有可能的物件。然後，在所有已識別的物件中，你將使用像SVM和HOG這樣的物件識別演算法來識別相關物件。
執行時間處理時間
通常，與機器學習相比，深度學習需要更多時間進行訓練。主要原因是深度學習演算法中有太多引數。機器學習只花需要更少的時間進行訓練。
解釋性
我們將可解釋性作為比較兩種學習技巧的因素。儘管如此，深度學習在用於工業之前仍然被認為是10次。
機器學習和深度學習在哪裡應用？
計算機視覺： 我們將其用於車牌識別和麵部識別等不同應用。
資訊檢索： 我們將ML和DL用於搜尋引擎，文字搜尋和影像搜尋等應用程式。
營銷：我們在自動電子郵件營銷和目標識別中使用這種學習技術。
醫療診斷：它在醫學領域也有廣泛的應用。癌症鑑定和異常檢測等應用。
自然語言處理：適用於情感分析，照片標籤，線上廣告等應用。
未來的趨勢
如今，機器學習和資料科學正處於趨勢中。在公司中，對它們的需求正在迅速增加。對於希望在其業務中整合機器學習而生存的公司而言，他們的需求尤其大。
深度學習被發現，並證明擁有最先進的表演技術。因此，深度學習讓我們感到驚訝，並將在不久的將來繼續這樣做。
最近，研究人員不斷探索機器學習和深度學習。過去，研究人員僅限於學術界。但是，如今，機器學習和深度學習的研究正在兩個行業和學術界中佔據一席之地。
結論
我們研究了深度學習和機器學習，並研究了兩者之間的比較。我們還研究了影像，以便更好地表達和理解。如果你有任何疑問，可以隨時在評論部分詢問。
原文標題《Machine Learning vs. Deep Learning》，
作者:Shailna Patidar
譯者：謝子喬
不代表雲加社群觀點，更多詳情請檢視原文連結
問答
相關閱讀
此文已由作者授權騰訊雲+社群釋出，更多原文請點選
搜尋關注公眾號「雲加社群」，第一時間獲取技術乾貨，關注後回覆1024 送你一份技術課程大禮包！
海量技術實踐經驗，盡在雲加社群！