1、特征提取方面
机器学习:特征提取-->分类
特征提取是由手工完成,例如癌症等等
深度学习:直接放到神经网络进行特征提取
由多个层组成,它们通常将简单的模型组合在一起,将数据从一层传递到另一层构建复杂的模型。通过训练大量数据自动得出模型,不需要人工提取环节。适用于图像语言自然语言处理领域。
深度学习适合数据量特别大的数据,需要大量训练数据
2、算法代表
机器学习:朴素贝叶斯、决策树
深度学习:神经网络
3、深度学习的应用场景
机器学习:
风暴预测系统
深度学习:
图像识别:物体识别、场景识别、车型识别、人脸识别
自然语言处理:机器翻译、文本识别、聊天对话
语言识别
4、未来趋势
机器学习和深度学习的研究是不断的。但不同的是往年研究仅限于学术界,现在机器学习和深度学习的研究在工业界和学术界都在爆炸式增长。随着可用资金的增加,它更有可能成为整体人类发展的一个主题。