机器学习VS深度学习

机器学习：低功率，简单模型

深度学习：高功率，复杂模型

在拥有强大的处理能力之前，训练高功率模型将需要很长的时间；在拥有大量的数据之前，训练高功率模型会导致过度拟合问题。二者一些区别主要体现如下：

 

数据依赖：深度学习需要大量数据，否则容易过度拟合

硬件依赖：存在大量矩阵运算，对GPU依赖高

执行时间：深度学习参数很多，需要更多时间

领域知识依赖：机器学习障碍主要是特征工程步骤，需要领域专家和很多领域知识人工手动识别和标记特征；深度学习尝试从数据中直接获取更高等级的特征，减少对每个问题设计和构造特征的工作

问题解决模式：传统会拆分为子问题，再合并；深度学习更加强调端到端问题解决

可解释性：传统机器学习一般会给出很清楚的解释说明(决策树，线性/逻辑回归)，但深度学习不会清楚告诉你神经网路协同具体是如何工作的，结果是如何一步步产生的

神经网络的学习任务

一般业界会把深度学习和神经网络作为同一个概念进行表达

神经网络学习任务分类和机器学习类似：

 

监督学习：分类问题和回归问题

非监督学习

强化学习

【图形讲解】

 



监督学习回归预测：