机器学习（概要版）

机器学习
若任务A的性能可以用B度量，那么A的性能会随着经验C的增加而提高，
举例1:根据身高预测体重，通过数据，能过画出简单斜线预测，另外增加别的变量，例如性别等，添加不同预测线，减少预期和实际之间的差距。
举例2，飓风预测系统，假设手里拥有以前发生过的数据和支持飓风产生的前三个月的天气信息，通过数据清洗，找到产生飓风的条件，然后输入系统预测，基于结果评估其性能，将结果作为反馈多次迭代以上步骤，
总结：
任务A：预测飓风产生的气象条件。
性能B:给条件下正确预测飓风的次数
经验C:系统的迭代次数

深度学习
深度学习是特殊的机器学习，通过学习将世界用嵌套的概念来表示并实现巨大的功能和灵活性，概念定义为简单，更为抽象的表示以较为不抽象的方式来计算。
判断正方形：
简单的概念，四条直线
嵌套的概念层次结构：相互垂直闭合并且相等想连。

二者联系与区别
数据依赖性：深度学习更需要广泛的数据
硬件支持：深度学习需要安装GPU的高效机器
特征处理：机器学习通常由专家将大多数特征确定然后编码为一个数据结构
深度学习尝试从数据中直接获取高层次的特征，深度学习消减了每一个问题设计特征提取器的工作，例如卷积神经网络尝试在前面的层学习低等的特征（边界，线条），然后学习部分人脸，然后是高级的人脸的描述。

问题解决方式

机器学习：逐步细化，分而治之，最后结合获取最终结果（分步骤来实现）

深度学习：提倡端对端的解决问题。

执行时间：通常情况下，训练深度学习算法需要很长的时间。机器学习相对较少，但是对于测试时间而言，深度学习只需要很少的时间，但是这对于机器学习不适用，有长有短

可解释性

深度学习，尽可能的能接近到人的标准，但是不能够给出原因，可以找出哪个深度神经网络节点被激活了，但是不知道神经元应该是什么模型，也不知道这些神经单元要共同做什么，无法解释结果。

而机器学习，则有明确的算法和规则，很容易解释背后的推理过程，可解释性强。