機器學習的特徵工程步驟是需要靠手動完成的，而且需要大量領域專業知識
深度學習通常由多個層組成，他們通常將更簡單的模型組合在一起，將資料從一層傳遞到另一層來構建更複雜的模型。通過訓練大量資料自動得出模型，不需要人工特徵提取環節。
（深度學習可以廣泛運用於不好提取特徵的領域，例如影象，語音，自然語言處理）
機器學習需要的執行時間要遠遠小於深度學習，深度學習引數往往會很龐大，需要通過大量的資料的多級優化來訓練引數。
一、深度學習需要大量的訓練資料集
二、訓練深度神經網路需要大量的算力
可能需要花費數天的時間才能使用數百萬張影象的資料集訓練出乙個深度網路。所以深度學習通常有以下要求：
1.需要強大的gpu伺服器來進行計算
2.全面管理的分布式訓練與測試服務–比如谷歌tensorflow
機器學習
樸素貝葉斯，決策樹等
深度學習
神經網路
Oracle學習筆記 0001
1 通過top工具檢查系統記憶體及swap使用情況 包括程序資訊 top 2 檢視程序連線所在的使用者。ps ef grep 程序號 3 刪除emp表中empno為2201的行記錄。sql delete from emp where empno 2201 4 修改表中字段。sql alter tab...
go 語言學習筆記 0001 iota
go語言中預置了乙個預定義常量 iota 這個東西有個很奇怪的特性，會根據 const 關鍵字改變值 預設的，iota在const出現的時候會初始化為0，而後不斷遞加1，直到出現第二個const關鍵字 const countagn1 2 iota 2 0 countagn2 2 iota 4 2 c...
深度學習筆記
在深度神經網路中，通常使用一種叫修正線性單元 rectified linear unit，relu 作為神經元的啟用函式。relu函式其實是分段線性函式，把所有的負值都變為0，而正值不變，這種操作被成為單側抑制。可別小看這個簡單的操作，正因為有了這單側抑制，才使得神經網路中的神經元也具有了稀疏啟用性...