机器学习与深度学习的区别和使用情况以及用例的对比

如今，人工智能的应用越来越广泛。机器学习和深度学习这两个术语也随之出现，而机器学习与深度学习并不是非此即彼的排斥关系。深度学习是机器学习的一个子集，而这两者都是人工智能(AI)的子集。

如今，人工智能的应用越来越广泛。机器学习和深度学习这两个术语也随之出现，而机器学习与深度学习并不是非此即彼的排斥关系。深度学习是机器学习的一个子集，而这两者都是人工智能(AI)的子集。但是，在机器学习和深度学习的定义和用例方面，市场上还存在很多混淆之处，所以在此进行一下澄清：

•人工智能(AI)是在计算机系统和机器中模拟和模仿人类智能行为的研究。

•机器学习是人工智能的一个子领域，它使用算法将人工智能的概念应用到计算系统中。通过计算机识别，并根据数据模式采取行动。随着时间的推移，机器学习没有明确的编程来提高其准确性。机器学习落后于预测编码、聚类和视觉热图等分析。

•深度学习是机器学习的一个子领域，是人工神经网络的另一个名称。深度学习计算机网络模拟人类大脑感知、组织和从数据输入作出决定的方式。

机器学习与深度学习

事实上，人们对机器学习与深度学习的想法忽略了“深度学习是机器学习的一个子集”这一点。人们更有可能在其应用程序中使用机器学习，而不是深度学习。深度学习仍然是一个发展中的技术，而且如果进行部署，其代价昂贵。但是目前有一些产品已经上市，随着时间的推移，深度学习将变得越来越普遍。

以下来看两者之间的区别和使用情况：

机器学习

作为人工智能的一个子集，机器学习使用算法来解析数据，从结果中学习，并运用机器学习来做出决定或预测。其示例包括聚类、贝叶斯网络和可视化数据映射。例如，在电子发现和合规性调查中，热图和视觉集群可将图形搜索结果呈现给工作人员，他们可以使用结果深入研究其他模糊的数据。

机器学习技术分为两类：监督机器学习和无监督机器学习。监督式学习取决于人为生成的种子集，教导软件如何定义数据。预测编码就是一个很好的例子，该软件指的是将数据模式与相关百分比匹配的种子集。随着时间的推移，预测编码工具将从正在进行的审阅者反馈中学习。

无监督机器学习依赖于识别数据中包含的模式，并将其与其他数据或搜索查询进行比较。机器学习算法随着数据集的增长和更多模式的出现而随时间学习。无监督机器学习包括集群、概念搜索和近似重复数据删除。

例如，聚类匹配文档之间相似的文本和元数据，并将数据呈现在可视化集群中。概念搜索通过识别和匹配概念来扩展基于文本的查询。通过近似重复数据删除那些比较类似的数据，并根据相似度排除文档，而在电子邮件线程中，将孤立的电子邮件链接到相应的线程。这些分析中的每一个都从其行动中学习，以提高性能和准确性。

机器学习基础设施差异很大，单一系统可以实现有限的集群或网络流量报告，而大型系统则包含数十台服务器和大规模并行处理(MPP)架构，以便跨多个数据源处理海量数据。

深度学习

深度学习(也称为人工神经网络)基于所有机器学习算法。但是，它并没有使用数据分类等任务特定的算法。相反，它通过识别来自非结构化输入的代表性数据，并输出准确的行动和决定来模拟人类的大脑结构和功能。

深度学习可以被监督或不受监督，这意味着大型神经网络可以接受标记的输入，但不需要它。学习程序教会神经网络如何构建不同的处理层，但是当网络处理输入时，它们根据数据输入和输出创建自己的层。这种深度学习的水平允许神经网络自动从原始数据中提取特征，而无需额外的人工输入。

神经网络由多个简单连接的处理器(称为神经元)组成，这些神经元是为模仿人脑中的神经元而创建的数学函数。这些人造神经元组成了神经网络的单元。简单地说，每个神经元接收两个或更多的输入，处理它们，并输出一个结果。一些神经元接收来自外部传感器的输入，而另一些神经元则被来自其他活动神经元的输入激活。神经元可能激活额外的神经元，或者可能通过触发动作影响外部环境。所有的活动都是在自创的隐藏层中进行的，每一个连续的层再输入前一层的输出。

实际上，神经网络摄取非结构化数据：声音、文本、视频和图像。网络将数据分成数据块，并发送给单独的神经元和层进行处理。一旦这个离散的处理完成，网络产生最后的输出层。

大规模的可扩展性是神经网络的关键。神经网络的性能取决于它可以摄取、训练和处理多少数据。数据越多意味着效果越好。这是另一个区别于机器学习的地方，其算法通常在一定水平上保持平稳。深度学习只是通过其计算资源来限制其性能。因此，神经网络的“深层”部分：计算资源越多，层次越深，输出越广泛。尽管深度学习不是那么快捷和容易，但较低的计算处理能力却使研究和发展发生了革命性的变化。

机器学习和深度学习的常用用例

重要的是要记住机器学习的用例已经出现在市场。深度学习的用例主要是现阶段的发展目标，其商业化程度有限。有一些用例是相似的：区别在于神经网络可以增长到接近无限的学习和输出规模。机器学习更受约束，适合具体的实际计算任务。另外请记住，深度学习和机器学习不是相互排斥的。

机器学习和深度学习用例的对比

·营销：

机器学习：合规性电子邮件和社交媒体的情感分析使用文本提示来提醒情绪状态。

深度学习：通过情绪分析从照片和视频中识别实时情绪。其应用程序包括基于人类观察者的情绪反应提供动态内容或视觉显示。

·无人驾驶汽车

机器学习：基于传感器信息的无人驾驶汽车

深度学习：基于视觉模式识别的无人驾驶汽车，例如可以立即识别消防栓和行人之间的差异。深度学习还可以通过检测引擎声音的波形来实现汽车缺陷检测。

·监视分析

机器学习：监视分析系统是基于规则的，通过用户生成的定义和规则分析馈送。

深度学习：这些系统基于行为分析。它观察详细的视觉线索，并教导自己哪些行为是观察对象的正常行为。联网的深度学习系统也可以识别来自时间和地点不同的照片和视频的相同面孔。

·生命科学

机器学习：采用医疗用户程序算法来识别糖尿病人群中的变量。

深度学习：预测个体患者的风险因素。通过识别视觉标记物识别MRI扫描中的癌症标记物。

·语音识别

机器学习：机器学习可以使语音识别随着时间的推移向用户学习。这个过程是一种密集训练，可以达到平均95%的准确性。

深度学习：神经网络处理数十亿个口述音频片段，将语音识别的准确性提高到接近100%，同时缩短训练时间。语音识别还通过关键词和主题对原始音频进行分类，并识别发言者，这对音频监控技术发展具有广泛的影响。

·娱乐节目

机器学习：大型CGI游戏可以使用机器学习来帮助自动实现密集的视觉效果，如插入数字或可视的巨大的空间爆炸。

深度学习：深度学习使得媒体和游戏能够响应用户输入、动作和/或表情而动态地绘制动画。

展望机器学习和深度学习的未来

人们在日常生活中并不会找到深度学习/人工神经网络的例子。他们普遍需要大量的标记数据进行监督学习，或大量的非结构化数据进行无监督学习。深度学习技术开发人员需要花费大量的时间标记，并向神经网络输入数据，或者需要输入数以百万计的非结构化对象来实现无监督学习。

在当今数据密集型的世界里，拥有足够的数据并不是问题。标记足够的数据，或者向神经网络引入足够的未标记数据是企业面临的一个挑战。尽管企业的处理能力不断增加，硬件价格也有所下降，但密集计算仍然需要企业对系统和支持进行大量的投资。

尽管如此，深度学习在许多不同的业务垂直领域都有很好的用例。像谷歌和Facebook这样的行业巨头正在投资深度学习的研究。