機器學習與深度學習最好的解釋

最好的解釋：機器學習與深度學習

近來我們一直在處理科技行業的流言。這是因為一旦創造了乙個術語，就會出現一定的趨勢。每個人都使用它，而沒有完全得到它，導致錯誤的資訊，混亂，有時甚至是假新聞。在這篇文章中，我們正在看機器學習和深度學習的術語。

每當乙個新的工具或應用程式被發明，乙個新的字如下。所以，過去幾年來，我們要解決兩個問題：機器學習（ml）和深度學習（dl）。技術人員，商業大師和營銷人員都喜歡這些詞語，而不管他們是否理解這些差異。

邊注：我們知道這個話題是舊新聞，不斷討論。這就是為什麼我們必須寫下來，顯然這個問題還沒有被完全理解，因為現在所有的內容都太簡單或者太複雜了。

100個字的解釋

ml和dl有乙個共同點，它們都涉及到人工智慧（ai）。我們從簡單的定義開始：

• 人工智慧：模擬和/或轉殖人類智慧型的計算機系統。

• 機器學習：允許電腦自己學習。

• 深度學習：演算法試圖對資料中的高層次抽象建模，以確定高層次的含義。

乙個簡單的例子：如果人工智慧被用來識別人們在中的情緒，機器學習演算法會將數千張人臉輸入到系統中。深度學習將幫助系統識別他們共同面臨的模式和情緒。

越來越深

上面的解釋是對三者的過分簡單的解釋，幫助那些對技術感興趣的人或者與行話混淆的人得到它。事實上，它比這更複雜，深度學習是資料，神經網路和數學工作中最混亂的部分。

「短路」電影中機械人johnny 5的**覆蓋了「需要輸入」

「你應該使用short circuit的johnny 5的**，上面寫著'need input'' - 當我和我寫這篇文章的團隊交談時，我得到了乙個slack的資訊。

機器學習

機器學習可以分析資料，並從中汲取資料，並根據情景使用資料進行**/真相/確定。機器基本上正在接受培訓，或者真正地進行自我培訓，學習如何正確地完成分析過的所有資料。它正在建立自己的邏輯和解決方案。

順便說一句，機器學習可以用一堆不同的演算法完成，如：

• 隨機森林和決策樹：乙個簡單的樹**的集合或集合，每個都可以產生乙個響應，就像netflix建議根據你的星級評定電影。

• 線性回歸：**具有無限結果的分類結果的價值，例如根據市場來確定可以賣出多少汽車。

• logistic回歸：**乙個有限數量的可能值的分類結果的價值，如找出是否可以**一輛汽車一定的成本。

• 分類：將資料放入不同的組，如提交檔案或電子郵件。

• 樸素貝葉斯：乙個演算法家族都有乙個共同的原則，即被分類的每個特徵與任何其他特徵的價值無關，如**兒童**中的快樂。

名單繼續。有很多人都做不同的事情，是演算法家庭的一部分，和/或一起工作或一起工作。

還有兩種型別的機器學習演算法，監督學習和無監督學習。

監督學習需要乙個人輸入資料和解決方案，但允許機器弄清楚兩者之間的關係。這在數學情況下非常有用。

無監督是在一定的情況下隨機的數字/資料，並要求電腦找到乙個關係和解決方案。這有點像在黑暗中拍攝目標，直到你開啟燈，你不知道你打的是什麼。

因此，機器學習不需要有人自己編碼或分析資料來解決方案或呈現邏輯。它削減了乙個巨大的角落，使生活更容易一些。

「mfw我想解釋深度學習」 - 大多數的網際網路，可能。

深度學習

為什麼？那麼，深度學習演算法會做複雜的事情，比如需要圖形處理單元（gpu）的矩陣乘法。他們也嘗試學習高階特徵，所以在面部識別的情況下，演算法會在複製中獲得與raw版本非常接近的影象，而機器學習的影象會模糊。另乙個強大的功能，它形成了乙個端到端的解決方案，而不是將問題和解決方案分解成部分。

所以你想要深度學習的力量，你有高階機器？你有多少時間？深度學習需要很長時間來處理資料，並在很長時間內（在某些情況下）尋找解決方案。

現在，你可能會問「什麼是深度學習？那麼它是由機器學習演算法，神經網路和ai組成的。它是二者的第**，並使用多層次的技術和方法來構建不同的解決方案。

如果你想深入了解深度學習，還有很多需要學習的東西，請向大師學習。

「 [深度學習] ai是新的電力。」

總結機器學習和深度學習是由ai的相同核心組成的兩個不同的東西。在不同的情況下，它們也很好用，但除非有絕對的需要，否則不應該使用另一種情況。

但是，使用深度學習時，您將使用機器學習，因為它們彼此重疊。此外，根據一些研究人員和資料科學家的說法，一旦我們發現超出現在的猜測遊戲的深度學習，它很可能會解決我們日常的計算機，商業，人工智慧，市場營銷等許多問題。