摘要：來看看我們分析的和您想的是否一致。本文在透徹剖析深度學習及機器學習的同時，就多方面對兩者進行比較，進而**其未來的發展趨勢。
a. 機器學習
機器學習是人工智慧技術的補充，有如下幾種常用演算法：
find-s
決策樹隨機森林演算法
神經網路
機器學習演算法通常分為以下三大類：
有監督學習：需要從有標籤的資料中學到或者建立乙個模式。
無監督學習：資料是無標籤的，機器學習演算法需要先將資料分類，然後對資料結構進行描述，使複雜的資料看起來簡單，以便進行後續分析工作。
強化學習：與監督學習相似，通過不斷地探索學習，從而獲得乙個好的策略。
b. 深度學習
深度神經網路由三種型別的層組成：
輸入層隱藏層
輸出層c．深度學習vs機器學習
我們使用機器學習演算法解析資料，並根據從資料中學習到的知識做出決策。深度學習利用各個層組合建立人工「神經網路」，它能夠智慧型地學習和做出決策。深度學習可以說是機器學習的子領域。
d． 深度學習和機器學習區別
1． 資料依賴
深度學習與機器學習的主要區別是在於效能。當資料量很少的時候，深度學習的效能並不好，因為深度學習演算法需要大量資料才能很好理解其中蘊含的模式。
硬體支援
深度學習演算法嚴重依賴高階機，而傳統的機器學習演算法在低端機上就能執行。深度學習需要gpus進行大量的矩陣乘法運算。
特徵工程
特徵工程就是將領域知識輸入特徵提取器，降低資料複雜度。從時間和專業性來講，這個過程開銷很高。
解決方案
通常，我們使用傳統的演算法解決問題。這需要將問題化整為零，分別解決，得到結果後再將其進行組合。
示例：目標檢測
目標識別
首先，我們使用grabcut演算法掃瞄全圖，以期找到可能的目標。接著，對所有疑似目標使用目標識別演算法（如svm/hog）進行識別。
5． 執行時間
由於深度學習中含有非常多的引數，較機器學習而言會耗費更多的時間。機器學習在訓練資料的時候費時較少，同時只需幾秒到幾小時。
6． 可解釋性
應用場景
計算機視覺：車牌識別，人臉識別
資訊檢索：搜尋引擎，文字檢索，影象檢索
營銷：自動郵件營銷，目標識別
醫療診斷：癌症檢測，異常檢測
展 望1． 機器學習和資料科學發展勢頭強勁，對想要生存下來的企業來說，在業務中使用機器學習變得越發重要。
2． 深度學習已被證明是現有技術中最先進的技術之一，它給人們帶來了無限多的驚喜，未來仍將如此。
3． 研究學者們仍在不斷探索機器學習和深度學習。過去，對於二者的研究僅侷限於學術範圍，現在工業界也加大了對其的研究力度。
閱讀原文
深度學習 vs 機器學習 vs 模式識別
本文我們來關注下三個非常相關的概念 深度學習 機器學習和模式識別 以及他們與2015年最熱門的科技主題 機械人和人工智慧 的聯絡。圖1 人工智慧並非將人放入一台計算機中 於 workfusion 的部落格 環繞四周，你會發現不缺乏一些初創的高科技公司招聘機器學習專家的崗位。而其中只有一小部分需要深度...
整理 深度學習 vs 機器學習 vs 模式識別
摘要 本文我們來關注下三個非常相關的概念 深度學習 機器學習和模式識別 以及他們與2015年最熱門的科技主題 機械人和人工智慧 的聯絡，讓你更好的理解計算機視覺，同時直觀認識機器學習的緩慢發展過程。以下為正文 本文我們來關注下三個非常相關的概念 深度學習 機器學習和模式識別 以及他們與2015年最熱...
整理 深度學習 vs 機器學習 vs 模式識別
摘要 本文我們來關注下三個非常相關的概念 深度學習 機器學習和模式識別 以及他們與2015年最熱門的科技主題 機械人和人工智慧 的聯絡，讓你更好的理解計算機視覺，同時直觀認識機器學習的緩慢發展過程。以下為正文 本文我們來關注下三個非常相關的概念 深度學習 機器學習和模式識別 以及他們與2015年最熱...