关于人工智能中的机器学习与深度学习

1、机器学习 (Machine Learning)

        如今，人工智能从虚无缥缈的科学幻想变成了现实。计算机科学家们在 机器学习(Machine Learning) 和 深度学习 (Deep Learning) 领域已经取得重大的突破，机器被赋予强大的认知和预测能力。2016 年 AplphaGO 成功击败人类世界冠军向世界证明，机器也可以像人类一样思考，甚至比人类做得更好。

在初始的机器学习过程中通常都分为两个阶段：

  第一阶段：学习：需要历史数据来进行训练；

第二阶段：考试：对于从来没有见过的新数据。预测其模型，预测其准确率，依据准确率来不断 

训练模型；

 2、关于机器学习算法

 左图是人的学习过程，右图是机器学习的过程。

人会 利用经验得到规律从而与测量未来，机器是通过历史数据训练得到了模型来预测未来属性

机器学习算法通常分为两种：

        监督学习： 训练阶段，训练样本集自带标签，训练结束以后，在考试阶段。不给标签。让模型进行独立预测；

        ps：监督学习的典型应用案例：回归任务，分类任务。预测房价，预测天气，预测拥堵，预测商品未来的价格趋势

 

        无监督学习：训练监督。训练样本集不带标签。让模型自动寻找数据样本集元组之间的内在规律。在考试阶段，输出聚类结果；

·        ps：无监督学习的典型应用案例：聚类任务。用户画像。依据用户的购物数据对用户进行分类；进行精准广告推送；

 

3、关于机器学习的三类任务

回归任务：研究的是分步趋势。数据集中间的分布走势；案例：线性回归

分类任务：图片识别，语音识别，预测 案例：深度学习的基于CNN图片识别

聚类任务：用户画像；K-means 案例：31省份的消费数据分类

4、关于深度学习(Deep Learning)

深度学习（Deep Learning）是机器学习（Machine Learning）的分支，是一种以人工神经网络为架构，对数据进行特征学习的算法；深度学习解决的主要任务：图片识别，语音识别，目标定位。

机器学习：输入 >>> 人工特征提取 >>> 分类 >>> 输出

深度学习：输入 >>> 自动特征提取和分类 >>> 输出

5、机器学习和深度学习的区别

从特征提取的角度出发：

1）机器学习需要有人工特征提取的过程；

2）深度学习没有复杂的人工特征提取过程，特征提取过程可以通过深度神经网络自动完成。

从数据量的角度出发：

1）深度学习需要大量的训练数据集，会有更好的效果；

2）深度学习训练深度神经网络需要大量的算力，因为其中会有更多参数。 

从算法的角度出发：

机器学习： SVN算法。通过提取图片特征，人工完成，分类归类；

深度学习：CNN卷积神经网络，构建一个网络，输入大量图片，进行训练分类；

6、总结：

        深度学习是机器学习的一个比较系统的分支，两者的差异化使他们在应用的时候有着比较明显的方向，我个人感觉不管是对于机器学习还是对于深度学习两者的研究在未来是至关重要的，但是不同的是对于机器学习，是在相关公司里每个人都必须掌握的，对公司发展的前景十分重要，对于深度学习的研究与探索，是会带给人们惊喜的，这是因为深度学习在现代已经被证实为最先进的技术之一，试想，假如有一天，深度学习在人类的研究开发中到达更高的维度，人们可能会开辟出更高智能的新时代。以上内容有所欠缺，后续我会继续学习并且加以补充。总结仅个人观念，欢迎批评指正。