python中機器學習和深度學習的區別究竟是什麼?

　　IT行業迅速發展，許多新興技術不斷問世，人工智慧、雲原生、雲端計算、機器學習、深度學習等等新名詞逐漸出現在人們的視線中，其實深度學習主要還是屬於機器學習的範疇領域之內的，本篇文章我們來了解下兩者的具體區別有哪些，請看下文：

　　| 機器學習的演算法流程 |

　　1、資料集準備

　　2、探索性地對資料進行分析

　　3、資料預處理

　　4、資料分割

　　5、機器學習演算法建模

　　6、選擇機器學習任務

　　7、評價機器學習演算法對實際資料的應用情況如何

　　首先我們要研究的是資料問題，資料集是構建機器學習模型流程的起點，進行探索性資料分析是為了獲得對資料的初步瞭解。探索性資料分析方法簡單來說就是去了解資料，分析資料，搞清楚資料的分佈。主要注重資料的真實分佈，強調資料的視覺化，使分析者能一目瞭然看出資料中隱含的規律，從而得到啟發，以此幫助分析者找到適合資料的模型。

　　資料預處理，其實就是對資料進行清理、資料整理或普通資料處理。指對資料進行各種檢查和校正過程，以糾正缺失值、拼寫錯誤、使數值正常化/標準化以使其具有可比性、轉換資料(如對數轉換)等問題。

　　| 深度學習的演算法流程 |

　　深度學習最佳化了資料分析，建模過程的流程也是縮短了，由神經網路統一了原來機器學習中百花齊放的演算法。

　　1、資料集準備

　　2、資料預處理

　　3、資料分割

　　4、定義神經網路模型

　　5、訓練網路

　　深度學習不需要我們自己去提取特徵，而是透過神經網路自動對資料進行高維抽象學習，減少了特徵工程的構成，在這方面節約了很多時間。

　　但是同時因為引入了更加深、更復雜的網路模型結構，所以調參工作變得更加繁重啦。例如：定義神經網路模型結構、確認損失函式、確定最佳化器，最後就是反覆調整模型引數的過程。