「认识AI：人工智能如何赋能商业」【30】深度学习VS机器学习

作者 | Harper

审核 | gongyouliu

编辑 | gongyouliu

上期内容给大家介绍了目前主流的机器学习工具，我们知道深度学习是机器学习的一个子领域，研究的算法灵感来自于大脑的结构和功能，称为人工神经网络。我在前面也给大家详细介绍了人工神经网络的工作原理。本期内容给大家说一说深度学习相对机器学习所占的优势。

机器学习系统面临的一个挑战是，它们可能是任务密集型的，特别是当需要读取以PB为单位的数据时。但这并不是一个新的挑战，早在20世纪40年代初，计算机科学家就试图通过扩展计算机的能力来应对这一挑战。于是发明了一种叫做人工神经网络的工具，它是模仿人脑生理学而构建的。大脑由神经元组成，形成一个复杂的三维网络。每个神经元充当一个独立的处理器，神经元通过电化学信号机制通过网络相互通信。这个3D网络使人类能够在瞬间做出决定。人工神经网络的结构和功能相似，但它不使用生物神经元，而是使用称之为节点的计算机处理单元。这些节点按层排列，一层中的所有节点与上下层中的所有节点相连，形成一个复杂的节点网络。每个节点接受输入，对该输入执行计算，并将输出传递给一个或多个其他节点。通过协作，网络可以学习并执行分类和聚类等操作。

与大多数机器学习应用程序通过有监督或无监督学习来执行特定任务不同，人工神经网络通过试错学习。从错误中学习，并根据概率进行操作。这就是为什么当你看人工神经网络的结果时，它们通常代表的是正确的可能性或概率。例如，在面部识别中，神经网络将返回一个结果如，“这有98.6%的概率是某个人”。

系统能够实时处理数据并进行自我优化。一开始， 人工神经网络可能只在一小部分情况下是正确的。然而，随着时间的推移，通过学习，性能得到了提高，就像人类一样。尽管存在潜在的缺点，但与不太复杂的机器学习网络相比，神经网络提供了五个关键优势:

第一，是能够分布式处理:可以将处理任务划分并分布在节点上，以显著提高计算结果的总体速度。你可以分散负载，而不是让一个处理器来处理所有事情。

第二，有机学习(organic laning)：这个有机是说，神经网络可以自己学习，无须经过“训练"，也就是说，无须输入从专家那里收集的预先确定的数据和逻辑。(但这里的无须训练不是指深度学习不需要模型训练的意思。)

第三，人工神经网络能够做到非线性处理:通过非线性处理，神经网络可以采取捷径方式来减少找到解决方案所需的计算量。

第四，容错:神经网络可以将信号重新路由到下游的任意其他节点，从而防止系统故障。

第五，自我修复，神经网络可以帮助诊断、修复和恢复节点故障以维持正常功能。那总的来说，深度学习人工神经网络可以显著地扩展机器学习的能力。它们 使人工智能系统能够筛选大量不同的数据，从而快速、轻松地识别复杂的模式。

本文的视频版本可以直接点击下面视频观看，欢迎关注数据与智能视频号获取更多精彩视频。