機器學習和深度學習是人工智能領域最先進的技術，代表了當今人工智能的發展方向，它們已經廣泛地應用在了無人駕駛領域。
汽車人參考用四篇文章，介紹機器學習和深度學習，以及它們在無人駕駛領域的應用，本文為第三篇文章，主要介紹機器學習和深度學習的區別。
第四篇無人駕駛應用篇，請關注汽車人參考後續更新。
深度學習和機器學習有何區別？
可以把機器學習看成是一種通用型技術，包括了決策樹、貝葉斯分析、支持向量機等算法，也包括神經網絡算法。
而深度學習深耕於神經網絡算法，基於深度學習算法，衍生出了深度卷積網絡、深度循環網絡、遞歸網絡等，詳情參考第二篇文章。
相比於機器學習，深度學習的主要優勢在於特徵提取，機器學習需要手動提取相關特徵，而特徵工程往往非常繁瑣；
特徵，英文名叫Feature，即事物的某些特性，並且可以用來作判斷。
機器學習很大部分工作就是從輸入的數據中提取出有用的特徵，將其轉換為算法需要的數據形式。
而特徵工程，就是最大限度地從原始數據中提取特徵以供算法和模型使用。
有這麼一句話在業界廣泛流傳：數據和特徵決定了機器學習的上限，而模型和算法只是逼近這個上限而已。
深度學習可以自動學習到“特徵”，從而減少了人為設計特徵造成的不完備性，如圖所示：
深度學習會堆疊多個層次，這一層的輸出作為下一層的輸入。
假設我們有一個輸入，設計了一個模型（有N個層次），通過訓練模型，使得輸出仍然是輸入，即Input=Output，那麼就可以自動獲取輸入的一系列層次特徵了。
有時候輸出完全等於輸入這個限制太嚴格，只要使得輸入與輸出的差別儘可能地小即可，這就是深度學習的基本思想。
機器學習比較擅長分析維度比較低，層次少的任務；
而深度學習擅長分析高維度，多層次的數據，比如圖像、語音等。
深度學習雖能自動學習特徵，達到很好的識別精度，但其工作前提是，能夠獲得“相當大”量級數據，而數據很小時，深度學習算法就會表現不佳。
數據量大也意味著計算量大，需要好的硬件基礎進行支撐。
機器學習和深度學習是人工智能領域最先進的技術，特別是隨著計算機硬件水平的提升和大數據的發展，深度學習得到大大發展，代表了當今人工智能的發展方向。
2006年，多倫多大學教授傑弗裡·辛頓（Geoffrey Hinton）提出了深度學習，深度學習在AlphaGo、無人駕駛汽車、語音識別、圖像識別、自然語言理解等方面對工業界產生了巨大影響，那一年也被認為是深度學習的元年。
本文為“汽車人參考”原創，如果您覺得文章不錯，請轉發此文，關注“汽車人參考”是對我們最大的支持。
閱讀更多 汽車人蔘考 的文章
