【对于机器学习和深度学习的一些理解】

 机器学习

最近在学习机器学习，其中听到深度学习，不太了解二者之间的关系，为此查阅了相关文章：(2条消息) 深度学习和机器学习的区别_zhangbaoanhadoop的博客-CSDN博客_深度学习和机器学习

这里再重新整理一下加强理解，文中所用的图都是来自上述博客里的。

机器学习：

(“A computer program is said to learn from experience E with respect to some class of tasksT and performance measure P )(if its performance at tasks inT, as measured by P, improves with experience E) ”

下面通过常用的身高预测体重的例子来强化理解这句话： 

T：通过身高预测体重

E：训练用的数据点

P：均方误差。

现在再来理解这句话：要想完成任务T，就需要大量的测试得到的数据（数据越多，我们就会得到越多的经验）来构建模型（不同于传统的物理模型，这里是利用数据驱动构建替代模型）。模型的好坏通过P(均方误差，当然也可以是其他的)来表征。数据越多（经验越多），模型的测试性能指标P(数字特征)会越好。

目前常用的10大机器学习算法：

决策树、随机森林、逻辑回归、SVM、朴素贝叶斯、K最近邻算法、K均值算法、Adaboost算法、神经网络、马尔可夫。

其中神经网络中包括监督学习、无监督学习和强化学习。

监督学习：需要从有标签的数据中学到或者建立一个模式。列如分类问题。

无监督学习：数据是无标签的，机器学习算法需要先将数据分类，然后对数据结构进行描述，使复杂的数据看起来简单，以便进行后续分析工作。列如向量量化。

强化学习：与监督学习相似，通过不断地探索学习，从而获得一个好的策略，应用较少。

深度学习

“Deep learning is a particular kind of machine learning that achieves great power and flexibility by learning to represent the world as nested hierarchy of concepts, with each concept defined in relation to simpler concepts, and more abstract representations computed in terms of less abstract ones.”

这个比较好理解。深度学习是加强版的神经网络。但它与神经网络有所区别。

普通的神经网络是机器学习算法的一种，我们通过提取特征，对大量数据集进行训练最后生成结果。而深度学习框架中的特征不是人为赋予它的，而是通过嵌套，将基本的边角构建层级网络，通过由浅入深的层级网络识别对象，例如卷积神经网络。