python生成指定长度的数组 机器学习与深度学习有什么异同？

机器学习与深度学习有什么异同？

深度学习和一般机器学习的区别是什么

1:一般机器学习一般指决策树、逻辑回归、支持向量机、xgboost等，深度学习的主要特点是使用深度神经网络：深度卷积网络、深度循环网络，递归网络等。算法在层次上没有相似性。很难说相似性可能是每个人的函数都要拟合的高维函数。 ] ]2:一般机器学习在分析低维和可解释的任务时表现更好。例如，数据挖掘和推荐算法。它们的特点是，总体而言，所收集的数据维数不高。以广告推送任务为例，一般分析的数据维度仅包括性别、年龄、学历、职业等，参数调整方向明确。

3：深度学习算法擅长分析高维数据。例如，图像、声音等。例如，图像可以具有千万像素，相当于千万特征向量维，并且像素之间的关系不是特别明显。在这种情况下，卷积神经网络能够有效地处理这一问题，基本上能够非常准确地掌握图像的特征。但各维度的解释力很弱，参数调整的方向也不明确（神经元个数、隐层个数等）。综上所述，两者其实有很大的不同。近年来，深度学习得到了发展。传统的机器学习算法大多来源于概率论和信息学。在编程方面，传统的机器学习模型基本上集成到sklearn包中。对于深度学习，可以使用tensorflow作为框架。对于传统机器学习的详细理解，可以从李航的统计原理或周志华的机器学习（又称西瓜书）中看到。由于近两年关于深度学习的书籍不多，我们可以参考近两年关于深度学习的论文。当然，它们都需要一个坚实的数学基础，主要是三本书：线性代数或高等代数，高等数学或数学分析，概率论或随机过程

！分类问题和回归问题都需要根据训练样本找到一个真正的解决方案。回归问题是：给定一个新的模式，根据训练集推断出相应的输出y（实数）。

换句话说，y=g（x）用于推断任何输入x的相应输出值。分类问题是：给定一个新模式，根据训练集推断其相应的类别（如：1，-1）。也就是说，用y=sign（g（x））来推断任何输入x对应的类别，综上所述，回归问题和分类问题的本质是一样的，唯一的区别是它们的输出值范围不同。在分类问题中，只有两个值可以作为输出，而在回归问题中，任何实数都可以作为输出。

支持向量机回归与分类的区别？

谢谢。我可以确切地说，不！也许首先，为什么深度学习被称为“深度”？从当前技术的角度来看，深度学习结合底层特征，形成更抽象的属性类别或特征的高层表示，从而发现数据的分布式特征表示。

深度学习属于前者，它有很多参数需要调整，是一个非常大的参数模型。一般的机器学习模型属于后者，它需要强大的特征来分离数据，最终得到不同的类别。

一般来说，目前深度学习确实有很多优势。例如，对我来说，这是非常简单和暴力的。它不需要很长时间来调整参数，清理数据，并把它扔进去看看结果。如果不好，调整参数继续尝试。一般的机器学习模型不是这样的。它需要大量的特征工程。但是，深度学习有一个问题，到目前为止还没有解决的工程。它是一个可解释性差的“黑匣子”，导致系统出现错误，无法快速找出原因或追溯以前的错误。所以在工程中，我们实际上更喜欢特征少的工程和解释性强的模型来获得更好的结果。我们期待着深学在未来科学技术的进一步发展。

我将在这里发表所有关于算法、机器学习和深度学习的有趣文章。

编写代码不容易。如果这篇文章对你有帮助，请喜欢

python生成指定长度的数组 svm和逻辑回归的区别 逻辑回归和svm的联系和区别

版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。