精华内容
下载资源
问答
  • 为什么现在大家都用深度学习,而传统机器学习无论在科研中还是实践中都用很少了?

    很多人都问过我这个问题,为什么现在大家都用深度学习,而传统机器学习无论在科研中还是实践中都用的很少了?

    我之前也简单的给人解释过,原因无非就是大数据、计算机性能得到提升这样的,并没有详细解释其背后的原因(比如为什么现在能获得更多的数据?)。

    但看了Andrew NG的“深度学习”视频,才知道应该怎么样才能更好的回答这个问题,下面就是“标准答案”(一定要画出这个图)。

    (1)传统机器学习算法,在一开始,性能(识别率)会随着数据的增加而增加,但一段时间后,它的性能会进入平台期。这些模型无法处理海量数据。
    (2)最近20年来,人类建立了数字王国,使得我们在电脑、网站、手机上的活动,都制造大量数据。便宜的相机、传感器,也产生大量数据。
    (3)不同规模的网络,取得的性能也会有不同(具体如下)。

    这里写图片描述

    要想在神经网络上取得更好的表现,在今天最可靠的手段,要么训练一个更大的神经网络,要么投入更多的数据。但这也只能在一定程度上起作用,因为你最终耗尽了数据,或者你的网络规模太大,训练时间太久。

    但提升规模,已经让我们在深度学习的世界中,取得了大量进展。

    还有一点要记住,这里所说的“大数据”,是指带标签的数据。

    还要注意的是,数据量不大时,各种算法的性能优劣是无法知道的。只有在大数据的前提下,在非常庞大的训练集下,我们才能看到神经网络稳定领先于其他算法。

    有趣的是,目前神经网络的一些进步,也是为了让它运算的更快。比如激活函数从sigmoid改进到relu,就能使梯度下降算法运行更快。

    展开全文
  • 深度学习与机器学习的区别 https://blog.csdn.net/weixin_42008209/article/details/82714728 认识机器学习与深度学习的区别 https://www.cnblogs.com/zhouwenfan-home/p/10328500.html

    深度学习与机器学习的区别
    https://blog.csdn.net/weixin_42008209/article/details/82714728
    认识机器学习与深度学习的区别
    https://www.cnblogs.com/zhouwenfan-home/p/10328500.html

    展开全文
  • 机器学习与深度学习的区别 1.机器学习简介 为了实现人工智能我们会使用机器学习我们有几种用于 机器学习算法例如 Find-S 决策树 Decision trees 随机森林 Random forests 人工神经网络 Artificial Neural Networks...
  • 机器学习:利用计算机、概率论、统计学等知识,输入数据,让计算机学会新知识。机器学习的过程,就是通过训练数据寻找目标函数。...机器学习最基本做法,是使用算法来解析数据、从中学习,然后对...

    机器学习:利用计算机、概率论、统计学等知识,输入数据,让计算机学会新知识。机器学习的过程,就是通过训练数据寻找目标函数。

    深度学习是机器学习的一种,现在深度学习比较火爆。在传统机器学习中,手工设计特征对学习效果很重要,但是特征工程非常繁琐。而深度学习能够从大数据中自动学习特征,这也是深度学习在大数据时代受欢迎的一大原因。

     

     

    机器学习最基本的做法,是使用算法来解析数据、从中学习,然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同,机器学习是用大量的数据来“训练”,通过各种算法从数据中学习如何完成任务。

    机器学习直接来源于早期的人工智能领域,传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法上来分,机器学习算法可以分为监督学习(如分类问题)、无监督学习(如聚类问题)、半监督学习、集成学习、深度学习和强化学习。

    传统的机器学习算法在指纹识别、基于Haar的人脸检测、基于HoG特征的物体检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平,但每前进一步都异常艰难,直到深度学习算法的出现。

     

    深度学习本来并不是一种独立的学习方法,其本身也会用到有监督和无监督的学习方法来训练深度神经网络。但由于近几年该领域发展迅猛,一些特有的学习手段相继被提出(如残差网络),因此越来越多的人将其单独看作一种学习的方法。

    最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念,可大致理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果,人们对神经元的连接方法和激活函数等方面做出相应的调整。其实有不少想法早年间也曾有过,但由于当时训练数据量不足、计算能力落后,因此最终的效果不尽如人意。

    深度学习摧枯拉朽般地实现了各种任务,使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车,预防性医疗保健,甚至是更好的电影推荐,都近在眼前,或者即将实现。

    目前,业界有一种错误的较为普遍的意识,即“深度学习最终可能会淘汰掉其他所有机器学习算法”。这种意识的产生主要是因为,当下深度学习在计算机视觉、自然语言处理领域的应用远超过传统的机器学习方法,并且媒体对深度学习进行了大肆夸大的报道。

    深度学习,作为目前最热的机器学习方法,但并不意味着是机器学习的终点。起码目前存在以下问题:

    1. 深度学习模型需要大量的训练数据,才能展现出神奇的效果,但现实生活中往往会遇到小样本问题,此时深度学习方法无法入手,传统的机器学习方法就可以处理;

    2. 有些领域,采用传统的简单的机器学习方法,可以很好地解决了,没必要非得用复杂的深度学习方法;

    3. 深度学习的思想,来源于人脑的启发,但绝不是人脑的模拟,举个例子,给一个三四岁的小孩看一辆自行车之后,再见到哪怕外观完全不同的自行车,小孩也十有八九能做出那是一辆自行车的判断,也就是说,人类的学习过程往往不需要大规模的训练数据,而现在的深度学习方法显然不是对人脑的模拟。




    以上转自:https://www.zhihu.com/question/57770020/answer/249708509

     

     

    传统的机器学习:

    机器学习(ML)技术在预测中发挥了重要的作用,ML经历了多代的发展,形成了具有丰富的模型结构,例如:

    1.线性回归。

    2.逻辑回归。

    3.决策树。

    4.支持向量机。

    5.贝叶斯模型。

    6.正则化模型。

    7.模型集成(ensemble)。

    8.神经网络。

    这些预测模型中的每一个都基于特定的算法结构,参数都是可调的。训练预测模型涉及以下步骤:

    1. 选择一个模型结构(例如逻辑回归,随机森林等)。

    2. 用训练数据(输入和输出)输入模型

    3. 学习算法将输出最优模型(即具有使训练错误最小化的特定参数的模型)。



    以上转自:https://www.zhihu.com/question/57770020/answer/345340746
     

    展开全文
  • 深度学习和传统机器学习最重要的区别是它的性能随着数据量的增加而增强。如果数据很少,深度学习算法性能并不好,这是因为深度学习算法需要大量数据才能很好理解其中蕴含的模式。这种情况下,使用人工指定规则的传统...

    深度学习是一种特殊的机器学习,它将现实世界表示为嵌套的层次概念体系(由较简单概念间的联系定义复杂概念,从一般抽象概括到高级抽象表示),从而获得强大的性能与灵活性。

    深度学习和传统机器学习最重要的区别是它的性能随着数据量的增加而增强。如果数据很少,深度学习算法性能并不好,这是因为深度学习算法需要大量数据才能很好理解其中蕴含的模式。这种情况下,使用人工指定规则的传统机器学习占据上风。

    深度学习算法严重依赖于高端机,而传统机器学习在低端机上就可以运行。因为深度学习需要进行大量矩阵乘法操作,而GPU可以有效优化这些操作,所以GPU成为其中必不可少的一部分。

    特征工程将领域知识输入特征提取器,降低数据复杂度,使数据中的模式对学习算法更加明显,得到更优秀的结果。从时间和专业性方面讲,这个过程开销很高。机器学习中,大部分使用的特征都是由专家指定或根据先验知识确定每个数据域和数据类型。比如,特征可以是像素值,形状,纹理,位置,方向。大多数机器学习方法的性能依赖于识别和抽取这些特征的准确度。

    深度学习算法试图从数据中学习高层特征,这是深度学习与众不同的一部分,同时也是超越传统机器学习的重要一步。深度学习将每个问题归结为开发新特征提取器,如卷积神经网络在底层学习如边和直线种种低层特征,然后是面部部分特征,最后是人脸的高层特征。

    当使用传统机器学习方法解决问题时,经常采取化整为零,分别解决,再合并结果求解的策略。而深度学习主张end-to-end模型,输入训练数据,直接输出最终结果,让网络自己学习如何提取关键特征。

    比如说你要进行目标检测,需要识别出目标的类别并指出在图中的位置。

    通常,深度学习需要很长时间训练,因为深度学习中很多参数都需要远超正常水平的时间训练。ResNet大概需要两周时间从零开始完成训练,而机器学习只需要从几秒到几小时不等的训练时间。测试所需要的时间就完全相反,深度学习算法运行需要很少的时间。然而,和KNN(K近邻,一种机器学习算法)相比,测试时间会随着测试数据量的增加而增加。不过并非所有的机器学习算法都需要很长时间,某些也只需要很少的测试时间。

    假定使用深度学习给文章自动评分,你会发现性能会很不错,并且接近人类评分水准。但它不能解释为什么给出这样的分数。在运行过程中,你可以发现深度神经网络的哪些节点被激活,但你不知道这些神经元是对什么进行建模以及这每层在干什么,所以无法解释结果。

    另一方面,机器学习算法如决策树按照规则明确解释每一步做出选择的原因,因此像决策树和线性/逻辑斯蒂回归这类算法由于可解释性良好,在工业界应用很广泛。

    Wiki上面介绍了一些机器学习的应用领域:

    1. 计算机视觉:如车牌号识别,人脸识别;

    2. 信息检索:如搜索引擎,文本检索,图像检索;

    3. 营销:自动邮件营销,目标识别;

    4. 医疗诊断:癌症诊断,异常检测;

    5. 自然语言处理:语义分析,照片标记;

    6. 在线广告,等等

    转载于:https://www.cnblogs.com/xzm123/p/9026578.html

    展开全文
  • 机器学习和深度学习都是人工智能术语。机器学习指是,不需要编程就可以使机器可以模仿人类动作科学。深度学习属于机器学习分支。很多时候,人们容易把机器...机器学习算法允许机器在没有大量编程情况下执行...
  • 机器学习和深度学习的区别是...当数据量很少的时候,深度学习的性能并不好,因为深度学习算法需要大量数据才能很好理解其中蕴含的模式,接下来我们具体分析下。 一、机器学习和深度学习概念: 1、机器学习    机器
  • 数据挖掘,机器学习深度学习,推荐算法的联系与区别
  • 1、人工智能->机器学习->深度学习  注:->包含关系 2、机器学习领域: ...3、机器学习算法: 回归算法,神经网络,svm(支持向量机),聚类算法,降维算法,推荐算法,高斯判别,扑素...
  • 机器学习深度学习与强化学习区别

    万次阅读 多人点赞 2018-10-26 15:00:20
    机器学习:Maching Learning,是实现人工智能一种手段,也是目前被认为比较有效实现人工智能手段。目前在业界使用机器学习比较突出领域很多,例如计算机视觉、...(可以看到通过机器学习的算法,在8w多条...
  • 近年来,随着科技快速发展,人工智能不断进入我们视野中。作为人工智能核心技术,机器...机器学习理论主要是设计和分析一些让计算机可以自动学习的算法。 举个例子,假设要构建一个识别猫程序。传统上如果我们
  • 机器学习在过去十几年里不断发展,并对其他领域产生了深远的影响....同时,对比分析量子机器学习算法与传统机器学习算法的区别和联系;最后,总结该领域存在的问题及挑战,并对量子机器学习未来的工作进行展望.
  • 深度学习算法试图从数据中学习高级功能,这是深度学习一个非常独特部分。因此,减少了为每个问题开发新特征提取器任务。适合用在难提取特征图像、语音、自然语言领域 2 数据量 机器学习需要执行时间远...
  • 机器学习深度学习的区别 1.特征提取方面: 机器学习:手动进行特征工程 深度学习算法自动筛选提取 适合用在难提取特征的图像,语音,自然语言领域 2.数据量的大小: 机器学习:数据量偏小 深度学习:...
  • 机器学习是做NLP和计算机视觉这类应用算法的基础,虽然现在深度学习模型大行其道,但是懂一些传统算法的原理和它们之间的区别还是很有必要的。可以帮助我们做一些模型选择。本篇博文就总结一下各种机器学习算法的...
  • 机器学习在过去十几年里不断发展,并对其他领域产生了深远的影响....同时,对比分析量 子机器学习算法与传统机器学习算法的区别和联系;最后,总结该领域存在的问题及挑战,并对量子机器学习未来 的工作进行展望.
  • 在本文中,我们将研究深度学习机器学习之间比较。 我们还将逐一了解它们。 我们还将讨论他们在各个方面分歧。 除了深度学习机器学习比较,我们还将研究他们未来趋势。   1.什么是机器学习? 通常,...
  • 机器学习深度学习、神经网络这几个概念的区别机器学习神经网络深度学习卷积神经网络总结 机器学习 机器学习早在20世纪50年代就已经很火了,它有着很长的历史,主要指的是研究如何使用机器来模拟人类学习活动的...
  • 作者:aporras 翻译:郭振@Python算法社区(ID:alg-channel)深度学习是机器学习算法的子类,其特殊性是有更高的复杂度。因此,深度学习属于机器学习,但它们绝对不是相...
  • 机器学习算法】:排名第一 【机器学习】:排名第一 【Python】:排名第三 【算法】:排名第四 人工智能浪潮正在席卷全球,诸多词汇时刻萦绕在我们耳边:人工智能(Artificial Intelligence)、机器...
  • Normalization和Standardization的区别 写在前面:Normalization和Standardization在很多时候,很多文章中并不区分,甚至会使用scaling来代替上述两个词。...在机器学习算法中,我们经常会遇到这种情况: ...
  • 手写数字 5 例子:写法因人而异,五花八门 如果让我们自己来设计一个能将 5 正确分类程序,就会意外地发现这...因此,与其绞尽脑汁,从零开始想出一个可以识别 5 的算法,不如考虑通过有效利用数据来解决这个问...
  • ... 文章标题是个很有趣问题,深度学习作为机器学习的子集,它和普通机器学习之间到底有什么区别呢?作者使用了一种很普通方式来回答这个问题。本质上,深度学习提供了一套技术和算法...
  • 由于找工作需要,搜集了一些常见基础机器学习与深度学习面试题,希望对你有所帮助。 参考博客: https://zhuanlan.zhihu.com/p/45091568 https://www.cnblogs.com/hanxiaosheng/p/9934237.html 1.无监督和有监督...
  • 1)机器学习的特点 ... 1.1.2 人们对于机器学习算法的选择,一旦选择了某种算法,就相当于假设数据集这个算法的模型相似  1.2 目标 让计算机能够自己从数据中学习知识,从而为人服务  1.3
  • 的机器学习教程「美团」算法工程师带你入门机器学习 已经开始更新了,欢迎大家订阅~ 任何关于算法、编程、AI行业知识或博客内容问题,可以随时扫码关注公众号「图灵猫」,加入”学习小组“,沙雕博主在线答疑...
  • 机器学习深度学习有什么区别?让我们从本文中寻找答案。 目标 本文中,我们将深度学习与机器学习作比较。我们将逐一了解他们。我们还会讨论他们在各个方面不同点。除了深度学习机器学习的比较,我们还将研究...

空空如也

空空如也

1 2 3 4 5 ... 10
收藏数 182
精华内容 72
关键字:

机器学习算法与深度学习算法的区别