本文在透彻剖析深度学习及机器学习的同时，就多方面对两者进行比较，进而探究其未来的发展趋势。

深度学习及机器学习

A. 机器学习

机器学习是的补充，有如下几种常用算法：

Find-S

决策树

随机森林算法

机器学习算法通常分为以下三大类：

有监督学习：需要从有标签的数据中学到或者建立一个模式。

无监督学习：数据是无标签的，机器学习算法需要先将数据分类，然后对数据结构进行描述，使复杂的数据看起来简单，以便进行后续分析工作。

强化学习：与监督学习相似，通过不断地探索学习，从而获得一个好的策略。

B. 深度学习

机器学习更多关注解决现实世界的问题，与人工智能技术有异曲同工之妙。机器学习则是通过模拟人类决策能力的神经网络找出问题解决方法。深度学习可看作是特殊的机器学习，我们可以利用深度学习来解决任何需要思考的问题。

深度神经网络由三种类型的层组成：

输入层

隐藏层

输出层

C．深度学习VS机器学习

我们使用机器学习算法解析数据，并根据从数据中学习到的知识做出决策。深度学习利用各个层组合创建人工“神经网络”，它能够智能地学习和做出决策。深度学习可以说是机器学习的子领域。

D． 深度学习和机器学习区别

1． 数据依赖

深度学习与机器学习的主要区别是在于性能。当数据量很少的时候，深度学习的性能并不好，因为深度学习算法需要大量数据才能很好理解其中蕴含的模式。

2. 硬件支持

深度学习算法严重依赖高端机，而传统的机器学习算法在低端机上就能运行。深度学习需要GPUs进行大量的矩阵乘法运算。

3. 特征工程

特征工程就是将领域知识输入特征提取器，降低数据复杂度。从时间和专业性来讲，这个过程开销很高。

4. 解决方案

通常，我们使用传统的算法解决问题。这需要将问题化整为零，分别解决，得到结果后再将其进行组合。

示例：

假设我们需要对多个目标进行探测，识别这些目标都是什么，确定它们在图片中的位置。利用机器学习算法，我们可将该问题分为两个部分：

目标检测

目标识别

首先，我们使用grabcut算法扫描全图，以期找到可能的目标。接着，对所有疑似目标使用目标识别算法（如SVM/HOG）进行识别。

5． 执行时间

由于深度学习中含有非常多的参数，较机器学习而言会耗费更多的时间。机器学习在训练数据的时候费时较少，同时只需几秒到几小时。

6． 可解释性

应用场景

计算机视觉：车牌识别，人脸识别

信息检索：搜索引擎，文本检索，图像检索

营销：自动邮件营销，目标识别

医疗诊断：癌症检测，异常检测

自然语言处理：语义分析，照片标记，在线广告投放

展 望

1． 机器学习和数据科学发展势头强劲，对想要生存下来的企业来说，在业务中使用机器学习变得越发重要。

2． 深度学习已被证明是现有技术中最先进的技术之一，它给人们带来了无限多的惊喜，未来仍将如此。

3． 研究学者们仍在不断探索机器学习和深度学习。过去，对于二者的研究仅局限于学术范围，现在工业界也加大了对其的研究力度。

以上为译文

本文由北邮 老师推荐，组织翻译。

文章原标题《Machne Learning vs. Deep Learning》，作者：Shailna Patidar，译者：Elaine，审校：袁虎。

文章为简译，更为详细的内容，请查看