認識人工智能中機器學習與深度學習

• ​​什麼是機器學習？​​
• ​​什麼是深度學習？​​
• ​​機器學習與深度學習的比較​​

• ​​1、應用場景​​
• ​​2、所需資料量​​
• ​​3、執行時間​​
• ​​4、解決問題的方法​​

随着科技的快速發展，人工智能不斷進入我們的視野中。作為人工智能的核心技術，機器學習和深度學習也變得越來越火。那麼，機器學習和深度學習到底是什麼，它們之間究竟有什麼不同呢？

什麼是機器學習？

機器學習(Machine Learning，ML)是人工智能的子領域，也是人工智能的核心。它囊括了幾乎所有對世界影響最大的方法(包括深度學習)。機器學習理論主要是設計和分析一些讓計算機可以自動學習的算法。

舉個例子，假設要建構一個識别貓的程式。傳統上如果我們想讓計算機進行識别，需要輸入一串指令，例如貓長着毛茸茸的毛、頂着一對三角形的的耳朵等，然後計算機根據這些指令執行下去。但是如果我們對程式展示一隻老虎的照片，程式應該如何反應呢？更何況通過傳統方式要制定全部所需的規則，而且在此過程中必然會涉及到一些困難的概念，比如對毛茸茸的定義。是以，更好的方式是讓機器自學。

我們可以為計算機提供大量的貓的照片，系統将以自己特有的方式檢視這些照片。随着實驗的反複進行，系統會不斷學習更新，最終能夠準确地判斷出哪些是貓，哪些不是貓。

什麼是深度學習？

深度學習(DeepLearning，DL)屬于機器學習的子類。它的靈感來源于人類大腦的工作方式，是利用深度神經網絡來解決特征表達的一種學習過程。深度神經網絡本身并非是一個全新的概念，可了解為包含多個隐含層的神經網絡結構。為了提高深層神經網絡的訓練效果，人們對神經元的連接配接方法以及激活函數等方面做出了調整。其目的在于建立、模拟人腦進行分析學習的神經網絡，模仿人腦的機制來解釋資料，如文本、圖像、聲音。

機器學習與深度學習的比較

1、應用場景

機器學習在指紋識别、特征物體檢測等領域的應用基本達到了商業化的要求。

深度學習主要應用于文字識别、人臉技術、語義分析、智能監控等領域。目前在智能硬體、教育、醫療等行業也在快速布局。

2、所需資料量

機器學習能夠适應各種資料量，特别是資料量較小的場景。如果資料量迅速增加，那麼深度學習的效果将更加突出，這是因為深度學習算法需要大量資料才能完美了解。

3、執行時間

執行時間是指訓練算法所需要的時間量。一般來說，深度學習算法需要大量時間進行訓練。這是因為該算法包含有很多參數，是以訓練它們需要比平時更長的時間。相對而言，機器學習算法的執行時間更少。

4、解決問題的方法