机器学习与深度学习的区别

1.特征提取方面

• 机器学习的特征工程步骤是要靠手动完成的，而且需要大量领域专业知识
• 深度学习通常由多个层组成，它们通常将更简单的模型组合在一起，将数据从一层传递到另一层来构建更复杂的模型。通过训练大量数据自动得出模型，不需要人工特征提取环节。

深度学习算法试图从数据中学习高级功能，这是深度学习的一个非常独特的部分。因此，减少了为每个问题开发新特征提取器的任务。适合用在难提取特征的图像、语音、自然语言处理领域。

2. 数据量和计算性能要求

机器学习需要的执行时间远少于深度学习，深度学习参数往往很庞大，需要通过大量数据的多次优化来训练参数。

• 第一、深度学习需要大量的训练数据集
• 第二、训练深度神经网络需要大量的算力

可能要花费数天、甚至数周的时间，才能使用数百万张图像的数据集训练出一个深度网络。所以深度学习通常

• 需要强大的GPU服务器来进行计算
• 全面管理的分布式训练与预测服务——比如谷歌 TensorFlow 云机器学习平台

  

3. 算法代表

机器学习——朴素贝叶斯、决策树等
深度学习——神经网络

关于机器学习经典算法详细内容：http://www.bemorehn.com/index.php?m=courSystem.courseCon&classid=139&sid=63&catid=2