深度学习是机器学习的一个子集，都是人工智能的子集

【IT168资讯】深度学习是机器学习的一个子集，都是人工智能的子集。机器学习和深度学习并不完全是拳击比赛，深度学习是机器学习的一个子集，它们都是人工智能（AI）的子集。但是，市场上对于机器学习和深度学习的定义和用例存在很多困惑，现在让我们来解惑。

人工智能 (AI) 是在计算机系统和机器中模拟和模仿智能人类行为的研究。

·机器学习是人工智能的一个子领域，它使用算法将人工智能概念应用于计算系统。计算机识别数据中的模式并对其采取行动，随着时间的推移学习提高其准确性，而无需显式编程机器学习背后的分析，例如预测编码、聚类和视觉热图。

·深度学习是机器学习的一个子领域，是人工神经网络的别称。深度学习计算机网络模拟人脑感知、组织和获取数据输入的方式。除了天网，深度学习今天仍然存在。

机器学习和深度学习

有一点人们通常会想到机器学习而深度学习可能会忽略，如前所述，深度学习是机器学习的一个子集。在这一点上，您更有可能在应用程序中使用机器学习而不是深度学习，但它仍然是一项发展中的技术并且部署成本很高。一些产品现已上市，随着时间的推移，深度学习将变得更加普遍。

我们来看看两者的区别和用法。

机器学习

作为人工智能的一个子集，机器学习使用算法来解析数据，从结果中学习，并应用学习来做出决策或预测。示例包括聚类、贝叶斯网络和可视化数据映射。例如，在电子资料查询和合规性调查中，热图和可视化集群可以向人类展示图形搜索结果，人类可以使用这些结果深入挖掘原本晦涩的数据。

机器学习技术分为两类：监督机器学习和无监督机器学习。监督学习依赖于人类生成的种子集合，这些种子教软件如何定义数据。预测编码就是一个很好的例子。该软件是指将数据模式与相关百分比相匹配的种子集。随着时间的推移，预测编码工具会从持续的审核反馈中学习。

无监督机器学习依赖于识别数据中包含的模式并将其与其他数据或搜索查询进行比较。随着数据集的增长和更多模式的出现，机器学习算法会随着时间的推移而学习。无监督机器学习包括聚类、概念搜索和近似重复数据删除。

例如，聚类匹配文档之间相似的文本和元数据子集和问题 近似算法，并以视觉聚类的形式呈现数据。概念搜索通过识别和匹配概念来扩展基于文本的查询。近似重复数据删除比较相似的数据并根据相似性排除文档，而电子邮件线程将孤立的电子邮件链接到适当的线程。这些分析中的每一个都从其行动中学习，以提高性能和准确性。

机器学习基础架构千差万别，从单个系统支持有限的集群或网络流量报告，到包含数十台服务器和大规模并行处理 (MPP) 架构的大型系统，用于跨多个数据源海量数据的数据处理。

深度学习

深度学习（也称为人工神经网络）基于所有机器学习算法。但是，它不使用特定于任务的算法，例如数据分类。相反，它通过从非结构化输入中识别代表性数据并输出准确的行动和决策来模拟人脑的结构和功能。

学习可以是有监督的或无监督的，这意味着大型神经网络可以接受带标签的输入，但不需要它。学习程序教神经网络如何构建不同的处理层，当网络处理输入时，它们会根据数据输入和输出创建自己的层。这种深度学习水平允许神经网络自动从原始数据中提取特征，而无需额外的人工输入。

神经网络由多个称为神经元的简单连接处理器组成，这些处理器是为模拟人脑中的神经元而创建的数学函数。这些人工神经元构成了神经网络的单元。

简单地说，每个神经元接收两个或多个输入，处理它们，然后输出一个结果。一些神经元接收来自外部传感器的输入，而另一些则由来自其他活动神经元的输入激活。神经元可能会激活额外的神经元，或者它们可能会通过触发动作来影响外部环境。所有活动都发生在自己创建的隐藏层中，每个连续的层都提供前一层的输出。

实际上，神经网络会摄取非结构化数据：声音、文本、视频和图像。网络将数据分成块并将它们发送到单个神经元和层进行处理。一旦这个离散处理完成，网络就会产生最终的输出层。

大规模可扩展性是神经网络的关键。神经网络的性能取决于它可以摄取、训练和处理多少数据；更多的数据意味着更好的结果。这是与更基本的机器学习的另一个区别，后者的算法通常在一定水平上是固定的。深度学习仅通过其计算资源来限制其性能。因此神经网络的“深”部分：计算资源越多，层越深，输出越宽。虽然深度学习没有那么快和容易，但较低的计算能力已经彻底改变了研发。

机器学习和深度学习的常见用例

请务必记住，机器学习的用例已经上市。深度学习的用例主要是现阶段的发展目标，商业化程度有限。一些用例是相似的：不同之处在于神经网络可以增长到近乎无限的学习和输出大小。机器学习更受限制子集和问题 近似算法，更适合特定的实际计算任务。还要记住，它们两者并不相互排斥。

展望机器学习和深度学习的未来

您不会在每个街角都找到深度学习/人工神经网络。它们通常需要大量标记数据用于监督学习，或大量非结构化数据用于无监督学习。深度学习技术开发人员需要花费大量时间标记数据并将其馈送到神经网络，或者需要馈送数百万个非结构化对象以实现无监督学习。

在当今数据密集的世界中，拥有足够的数据不是问题。标记足够多的数据，或者将足够多的未标记数据引入神经网络是一项挑战。尽管处理能力不断提高，价格不断下降，但密集型计算仍需要对系统和支持进行大量投资。

尽管如此，深度学习在许多不同的垂直业务领域都有很好的用例。 Google 和 Facebook 等公司正在投资深度学习以开发这些实用应用程序，其他开发人员也在效仿。