逻辑回归和感知机的区别 深度学习和普通的机器学习有什么区别？
深度学习和普通的机器学习有什么区别？
一张图片显示了这种关系。机器学习是人工智能的重要领域之一，而深度学习是机器学习的一个分支。深度学习之所以近年来流行起来，是因为它突破了传统机器学习无法解决的一些问题。
机器学习的意义在于代替人工完成重复性工作，识别出统一的规则（模式）。但是对于传统的机器学习来说，特征提取的难度不小（特征可以是像素、位置、方向等）。特征的准确性将在很大程度上决定大多数机器学习算法的性能。为了使特征准确，在特征工程部分需要大量的人力来调整和改进特征。完成这一系列工作的前提是，数据集中所包含的信息量是充分的，并且易于识别。如果不满足这一前提，传统的机器学习算法将在信息的杂乱中失去其性能。深度学习的应用正是基于这个问题。它的深层神经网络使它能够在杂波中学习，自动发现与任务相关的特征（可以看作是自发学习的特征工程），并提取高级特征，从而大大减少了特征工程部分任务所花费的时间。
另一个明显的区别是他们对数据集大小的偏好。传统的机器学习在处理规则完备的小规模数据时表现出良好的性能，而深度学习则表现不好。随着数据集规模的不断扩大，深度学习的效果会逐渐显现出来，并变得越来越好。对比如下图所示。
感知器（perceptron）和支持向量机（svm）只能用于线性可分的样本吗？
单层感知器仅具有线性表达能力，而多层感知器结合非线性激活函数，具有非线性表达能力。
支持向量机的线性核只能用于线性可分样本，而非线性核具有非线性拟合能力。
事实上，感知器和支持向量机本质上只能对线性可分数据进行分类。
多层感知器前面的L-1层可视为“特征提取”过程。将线性不可分原始数据映射到线性可分特征空间。
支持向量机的非线性核是相同的，相当于将原始数据映射到希尔伯特空间。
特征提取的非线性拟合过程可以通过其他方式进行（如深度神经网络）。
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。
