2018年4月23日

「机器学习」还是「深度学习」,哪个更适合你?

「机器学习」还是「深度学习」,哪个更适合你?

文/ Christine Taylor 译/ 李大狗

「机器学习」还是「深度学习」,哪个更适合你?

大哥你好,我是来学「人工智能」的。但是,啥是「深度学习」?啥是「机器学习」?「深度学习」和「机器学习」有啥关系?我究竟该学「深度学习」还是「机器学习」?

在入门时,很多人都会被这几个问题绕晕了。但相信我,看完这篇文章,所有的这些疑惑都会被解决!

搞懂概念

首先,我们来搞懂「人工智能」、「机器学习」和「深度学习」这三个概念和概念之间的联系。

「机器学习」还是「深度学习」,哪个更适合你?

一、什么是人工智能?

人工智能是通过软件和硬件来「模拟」和「模仿」智能人类行为的研究。大家记得《终结者》里的天网和T-800吗?它们就是「人工智能」哦!

二、什么是机器学习?

机器学习是AI的一个子领域,它通过算法将AI概念应用于计算系统。计算机识别数据模式并根据数据模式采取行动,随着时间的推移学习提高其准确性而无需明确的编程。机器学习的背后是预测编码,聚类和视觉热图等分析方法。我们打开某宝、某东时的购物推荐就是机器学习的一个应用啦~

三、什么是深度学习?

深度学习是机器学习的子领域,是人工神经网络的另一个名字。深度学习网络模仿人类大脑感知与组织的方式,根据数据输入做出决策。AlphaGo就是我们最耳熟能详的深度学习的应用!此外,虽然现在「天网」还没出现,但是「天网」的基础,深度学习已经出现啦!

简而言之,机器学习是人工智能的一部分,深度学习是机器学习的一部分,这就是三者的关系。

「机器学习」vs. 「深度学习」,我应该学哪个?

「机器学习」还是「深度学习」,哪个更适合你? 刚才说了,深度学习是机器学习的一部分,它们的关系就像「扳手」和「整套工具」 的关系。因此,如果你想搞个应用,你更应该先学机器学习,了解一下整套工具。而是否要学习深度学习(扳手)要仔细考虑考虑——毕竟,深度学习是一个在发展中的技术,并且用花掉你大把的钱!(买显卡……)

话说回来,深度学习虽然仍在发展中,但已经有很多深度学习的产品已经进入市场了,假以时日,深度学习的应用将会变得更加广泛,这个扳手的作用将会越来越大。

深度剖析

现在,让我们分别来了解一下「机器学习」和「深度学习」的知识和它们的应用案例吧!

一、机器学习详解

机器学习通过算法分析数据,从结果中进行学习,然后将「学习后的算法」用来做出决策或进行预测,例子有我们熟悉的聚类、贝叶斯网络和视觉数据映射等等。

机器学习可以分成两种类型——「有监督学习」和「无监督学习」。

「机器学习」还是「深度学习」,哪个更适合你?

监督式学习依赖于人为生成的「数据种子集」。这些「数据种子集」调教程序它该如何「看待」数据。

举个监督室学习的例子,我有一套电子邮件数据,我给每一封邮件都打上「垃圾邮件」或「非垃圾邮件」的标签,那么,这套数据便是「数据种子集」,程序可以利用这套数据种子集进行训练,从而得到一个判断垃圾邮件的模型。

无监督学习是这样的——观察数据中的模式,将它们和其他的数据比较或进行搜索查询。随着数据集的增长、更多模式的浮现,机器学习算法不断「自我优化」。无监督学习的例子有聚类、概念搜索和接近重复数据删除等等。

再以邮件为例,我有一套电子邮件数据,但是我并没有人为的给它「打标签」,而是直接进行聚类,程序会自动的分出「垃圾邮件」和「非垃圾邮件」。

机器学习的「基础设施」差异很大。单一系统可以处理有限的数据,而大型系统则包含数十台服务器和大规模并行处理(MPP)架构,用于跨多个数据源的海量数据。

二、深度学习详解

深度学习,又叫人工神经网络,和其它所有机器学习一样都是基于算法。然而它并非像「数据分类」一样根据任务选择的算法,而是模仿人类大脑结构与运算过程——识别非结构化输入的数据,输出精确地行为和决策。

机器学习可以是监督的也可以是非监督的,这意味着大型神经网络可以接受「标签化输入」,但并不需要。当一个神经网络处理输入时,它通过输入数据和输出数据创造层,这种级别的深度学习让神经网络从原始数据中「自动抽取特征」而无需人工来贴标签。

「机器学习」还是「深度学习」,哪个更适合你?

神经网络由大量被称为神经元的简单处理器构成,处理器用数学公式模仿人类大脑中的神经元。这些人造神经元就是神经网络最基础的「部件」。

简而言之,每一个神经元接受两个或更多的输入,处理它们,然后输出一个结果。一些神经元从额外的传感器接收输入,然后其他神经元被其他已激活的神经元激活。神经元可能激活其它的神经元,或者通过触发的行动影响外部环境。所有的行为都是在「自动生成」的隐藏层中发生的,每个连续的图层都会输入前一层的输出。

在实际项目中,神经网络大量摄取非结构化数据——声音、文字、影像和图片。神经网络将数据分离为数据块,然后将它发送到独立的神经元和网络层中去处理。一旦这些离散的处理都完成了,神经网络就产生最后的输出,我们就大功告成了!

人工神经网络,或者说深度学习有什么优点?它的一大优点在于「可扩展性」。神经网络的性能取决于它可以吸收、训练和处理多少数据。所以,更多的数据意味着更好的结果——这是和「其它机器学习算法」的另一个区别,其它机器学习算法的效果通常稳定在一个明确的水平。深度学习仅通过资源衡量它的性能,层数更深,则输出更为广泛,性能也更为强劲。

所以,尽管深度学习不快也不容易,但是通过更低的价格能得到更好的计算能力这一点,还是让各大公司「买买买」。

机器学习和深度学习的流行应用场景

机器学习已经在市场上「无孔不入」了,而深度学习还处于「初级阶段」,商业化程度有限。

在某些应用案例中,二者可以说十分相似,区别在于神经网络可以增长到接近无限的学习和输出规模;机器学习更受约束,适合具体的实际计算任务。

注意啦,「机器学习」和「深度学习」并非相斥而是互补的关系。

机器学习和深度学习的未来

你不会走在大街上就碰见「深度学习」,它们需要大量的标记数据进行监督学习,或大量的非结构化数据进行无监督学习。因此,苦逼的技术人员需要花费大量的时间标记和向神经网络输入数据,或者需要输入数以百万计的非结构化对象来实现无监督学习。

在现代这个IT社会,缺乏数据不再是问题——挑战是标记足够的数据,或者将足够的未标记数据导入神经网络。尽管处理能力不断增加,价格也有所下降,但密集计算仍然需要对系统和支持进行大量的投资。

尽管如此,深度学习在许多不同的业务垂直领域都有很好的案例。像谷歌和Facebook这样的深度学习大佬正在使用深度学习开发炫酷的应用程序,而其他的开发者们则在「跟着大佬走」。

不管怎样,机器学习和深度学习是时代的大势所趋。就像整个世界因为互联网而变成了另一种样子,机器学习也会重塑这个世界。在这个过程中,越来越多的人会认识到机器学习的价值,机器学习也会变得越来越容易上手。说不定有一天,小学生也要开始学习机器学习了。