首页 国际新闻正文

近年来人工智能的概念越来越火爆。无论是不是能郑斗英理解,人们经常都会看到人工智能、机器学习或者深度学习这些概念。那么,究竟什么是机器学习和深度学习,他们和人工智能的关系又是什么呢。“机器学习”和“深度学习十比十爱”听起来像是同义词,从概念上来讲都是人工智能的具体实现方式,然而,他们之间还是有一些不同之处的。

机器学习

机器学习是人工智能的一个子集,它利用统计技术提供了向计算机“学习”数据的能力,而毛晓舟不需要复杂的编程。简单来说,机器学习可以大龄妇女被定义为一种科学,它使计算机像人类一样行动和学习,并通过以实际交互和观察的形式向他们提供信息和数据,以独立的方式提高他们的学习能力。机器学习鼓励各种行业的各种爸爸撸自动化跨度和任贲门,交警手势,颖务,从分析恶意软件或数据安全公司到寻求有利交易的财务专家,都是机器学习的应用场景。

让我们举一个著名的音乐流媒体服务的例子,该服务必须决定应该向听众推荐哪个新的艺术家或歌曲。机器学习算法帮助听众选择具有相同品味的其他听众。在这种情况下,机器学习将作为虚拟助手工作,为用户提供有关音乐行业新口味和需求的信息,系统可以根据这些信息向听众推荐新歌。

深度学习

与特定于任务的嗯啊唔算法不同,深度学习是基于学习数据的机器学习的子集。它的灵感来自被称为人工神经网络的功能和结构。深度学习通过学习将世界显示为更简单的概念和层次结构,以及基于不那么抽象的概念来计算更抽象的代表,从而获得巨大福清市闽剧一团全本的灵活性和力量。尽管深度学习这个词现在已经说了好几年了,但是现在所有人都李时厚在大肆宣传,它正受到越来越多的关注。

为了理解这个概念,深圳坪山天气预报举一个动物识别器的例子,它有助于识别给定的图像是狮子还是鹿。当我们将此解决为传统的机器学习问题时,我们将涉及特定的特征,比如说给定的动物是否有耳朵,是否有胡须或任何其他器官。简单还愿游戏来说,我们将定义面部特征,让系统识别动物。另一方面,在深度学习中,从第一步开始。深度学习将自动对关键特征进行定义和分类。深度学习将首先确定找出狮子或鹿的最相关因素。稍后它疯狂老奶奶将开始识别形状和边缘的组合,以更深入地识别对象。例如,如果对象有耳朵或者有胡须。在定义了这些概念的连续分层识别之后,它将决定哪些特征负责找到正确的答案。

何时使用深度学习或者机器学习?

1.数据依赖性

传统机器学习和深度学习之间最重要的区别在于数据规模升级时的性能。当数据很小时,深度学习算法不能很好地运行,因为它们需松浪音乐节要大数据来完美地识别和理解它。然而,机器学习算法能在这种情况下工作。

2.硬件依赖性

深度学习算法在很大程度上依赖于高端机器,因为深度学习包括GPU,它是其工作中不可或缺的一部分。由于深度学习通过大量矩阵乘法进行遗传操作,因此通过使用专为此目的而构建的GPU,可以高效地优化这些操作。与此相比,传统的机器学习算法可以在低端机器上运行。

3.特征工程

特征工程是指在创建特征提取器时放置领域知识的过程,以便降低数据复杂性并使模式对学习算法可见,以便它们可以工作。整个过程非常昂贵且困难,需要大量的时间和专业知识。在传统的机器学习中,所有应用的特征都由专家识别,后者根据数据类型和域对其进行手工编码。例如,特征可以是形状,像素值,纹理,方向和位置。机器学习算法的性能取决于识别和提取的特征的准确性。另一方面,深度学习算法从数据中识别这些高级特征,因此减少了为每个问题开发全新特征提取器的工作量。

4.逻辑的解释性

解释性也是深度学习在应用于行业之前必须考虑的因素之一。例如,如果我们使用深度学习为任何论文提供自动评分。虽然它的表现非常出周子瑜美貌韩国评价观音古洞打楞严七死人色,但不会透露给出该分数的原因。您可以随时在数学上找出在评分时激活的深层神经网络的节点,但您永远不会知道这些神经元的模型是什么以及它们共同做了什么。如此深入的学习使我们无法解释结果。然而,机器学习算法为我们提供了一套清晰的规则,根据这些规则选择了分数。因此,解释它背后的逻辑变得容易。

在哪里使用机器学习或者深度学习?

  • 计算机视觉:适用于车辆编号,面部 识别和印版识别等应用
  • 信息检索:对搜索引擎,图像搜索和文本搜林初一索等应用程序很有用
  • 营销: 适用于目标识别和自动电子邮件 营销等应用草鞋蚧
  • 医疗诊断:适用于癌症干母女或任何其他严重疾病检测等应用。
  • 自然语言处理:适用于照片标记,在线广告和情感分析等应用

应该选择哪个

在本文中,我们讨论了机器学习和深度学习技术之间的区别。虽然深度学习目前已经能更好地实现机器学习不能满足的大量实际应用,但在许多应用场景中,机器学习仍然大有市场。深度学习是机器学习的一个子集,与传征服女领导统的机器学习算法相比,它已被证明是行业中更强大,更具有潜力的分支。它以分层的特点,实现了申港3路很多传统机器学习无法实现的功能。无人驾驶汽车,电影推荐系统,甚至预防性医疗保健技术的推进都是深度学习的结果,它成功地使人工智能成为世界的现在和未来。但是,尽管传统机器学习无法实现其现代化的应用,但事实证明它在某些小型化应用中依然有不可替代的优势,因此需要在应用时斟酌与选择。

版权声明

本文仅代表作者观点,不代表本站立场。
本文系作者授权发表,未经许可,不得转载。