translate翻译中文 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很少，我们可以参考近两年关于深度学习的论文。当然，他们都需要坚实的数学基础，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

标准定义：任务及其性能过程的测量方法机器学习是利用经验数据给出一种特定的算法来提高任务的性能。

简单定义：

举个简单的例子：出租车司机开车送你从上海到北京。在这里，“任务”是从上海到北京，“表现过程”是从上海到北京的不同道路，“经验数据”是每一条可以走的道路。在此基础上，设计了一种算法，利用实证数据建立“上海哪条路走”模型，提高北京的速度效应。

为了通过使用经验数据改进性能过程，最流行的方法是“误差反向传播”。该方法的核心思想是：让机器自由试错，然后根据试错结果与样本真实结果之间的误差调整试错策略。对误差较小的尝试进行奖励，对误差较大的尝试进行惩罚，然后在一个周期内进行试验，直到所有样本的学习结果达到我们定义的最佳性能。

通过“误差反向传播”算法，机器将探索越来越多的上海到北京的道路，并以越来越快的速度找到最佳道路，这与老司机在多次驾驶后得到最佳选择基本相同。

人与机器之间的差距也将反映在这里。当从上海到北京有很多路的时候，人们不可能总是像机器那样探索道路。对于机器的数据处理能力来说，这样的数据量可能是几分钟内的最佳选择

当然，人们可以找到一种新的方法。新手可以一路询问老司机，而不是一路反复探索。

translate翻译中文 baidu translate下载 百度翻译线上翻译

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。