机器学习和深度学习是人工智能领域最先进的技术，代表了当今人工智能的发展方向，它们已经广泛地应用在了无人驾驶领域。
汽车人参考用四篇文章，介绍机器学习和深度学习，以及它们在无人驾驶领域的应用，本文为第三篇文章，主要介绍机器学习和深度学习的区别。
第四篇无人驾驶应用篇，请关注汽车人参考后续更新。
深度学习和机器学习有何区别？
可以把机器学习看成是一种通用型技术，包括了决策树、贝叶斯分析、支持向量机等算法，也包括神经网络算法。
而深度学习深耕于神经网络算法，基于深度学习算法，衍生出了深度卷积网络、深度循环网络、递归网络等，详情参考第二篇文章。
相比于机器学习，深度学习的主要优势在于特征提取，机器学习需要手动提取相关特征，而特征工程往往非常繁琐；
特征，英文名叫Feature，即事物的某些特性，并且可以用来作判断。
机器学习很大部分工作就是从输入的数据中提取出有用的特征，将其转换为算法需要的数据形式。
而特征工程，就是最大限度地从原始数据中提取特征以供算法和模型使用。
有这么一句话在业界广泛流传：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。
深度学习可以自动学习到“特征”，从而减少了人为设计特征造成的不完备性，如图所示：
深度学习会堆叠多个层次，这一层的输出作为下一层的输入。
假设我们有一个输入，设计了一个模型（有N个层次），通过训练模型，使得输出仍然是输入，即Input=Output，那么就可以自动获取输入的一系列层次特征了。
有时候输出完全等于输入这个限制太严格，只要使得输入与输出的差别尽可能地小即可，这就是深度学习的基本思想。
机器学习比较擅长分析维度比较低，层次少的任务；
而深度学习擅长分析高维度，多层次的数据，比如图像、语音等。
深度学习虽能自动学习特征，达到很好的识别精度，但其工作前提是，能够获得“相当大”量级数据，而数据很小时，深度学习算法就会表现不佳。
数据量大也意味着计算量大，需要好的硬件基础进行支撑。
机器学习和深度学习是人工智能领域最先进的技术，特别是随着计算机硬件水平的提升和大数据的发展，深度学习得到大大发展，代表了当今人工智能的发展方向。
2006年，多伦多大学教授杰弗里·辛顿（Geoffrey Hinton）提出了深度学习，深度学习在AlphaGo、无人驾驶汽车、语音识别、图像识别、自然语言理解等方面对工业界产生了巨大影响，那一年也被认为是深度学习的元年。
本文为“汽车人参考”原创，如果您觉得文章不错，请转发此文，关注“汽车人参考”是对我们最大的支持。
閱讀更多 汽車人蔘考 的文章
