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，進而探究其未來的發展趨勢。
深度學習及機器學習
A. 機器學習
機器學習是人工智能技術的補充，有如下幾種常用算法：
- Find-S
- 決策樹
- 隨機森林算法
- 神經網絡
機器學習算法通常分為以下三大類：
- 有監督學習：需要從有標籤的數據中學到或者建立一個模式。
- 無監督學習：數據是無標籤的，機器學習算法需要先將數據分類，然後對數據結構進行描述，使複雜的數據看起來簡單，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，從而獲得一個好的策略。
B. 深度學習
機器學習更多關注解決現實世界的問題，與人工智能技術有異曲同工之妙。機器學習則是通過模擬人類決策能力的神經網絡找出問題解決方法。深度學習可看作是特殊的機器學習，我們可以利用深度學習來解決任何需要思考的問題。
深度神經網絡由三種類型的層組成：
- 輸入層
- 隱藏層
- 輸出層
C．深度學習VS機器學習
我們使用機器學習算法解析數據，並根據從數據中學習到的知識做出決策。深度學習利用各個層組合創建人工“神經網絡”，它能夠智能地學習和做出決策。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． 數據依賴
深度學習與機器學習的主要區別是在於性能。當數據量很少的時候，深度學習的性能並不好，因為深度學習算法需要大量數據才能很好理解其中蘊含的模式。
2. 硬件支持
深度學習算法嚴重依賴高端機，而傳統的機器學習算法在低端機上就能運行。深度學習需要GPUs進行大量的矩陣乘法運算。
3. 特徵工程
特徵工程就是將領域知識輸入特徵提取器，降低數據複雜度。從時間和專業性來講，這個過程開銷很高。
4. 解決方案
通常，我們使用傳統的算法解決問題。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：
假設我們需要對多個目標進行探測，識別這些目標都是什麼，確定它們在圖片中的位置。利用機器學習算法，我們可將該問題分為兩個部分：
- 目標檢測
- 目標識別
首先，我們使用grabcut算法掃描全圖，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參數，較機器學習而言會耗費更多的時間。機器學習在訓練數據的時候費時較少，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
信息檢索：搜索引擎，文本檢索，圖像檢索
營銷：自動郵件營銷，目標識別
醫療診斷：癌症檢測，異常檢測
自然語言處理：語義分析，照片標記，在線廣告投放
展 望
1． 機器學習和數據科學發展勢頭強勁，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。
更多資訊，盡在阿里雲科技快訊~
來科技快訊看新聞鴨~
閱讀更多 阿里雲科技快訊 的文章
