深度學習只能說可以在對輸入資料較少干預的情況下獲得較好的結果，等於是乙個自行提取特徵的過程。但是說相形見絀倒未必，首先深度學習並不能解決所有問題，只是說在分類、識別等任務下效果較好，其次深度學習的開支極大，因此大規模應用是個問題。所以你可以認為深度學習在特定條件下確實優於其他部分機器學習演算法，但是說相形見絀未免誇張了。
深度學習近年來發展速度很快，並且取得了令人驚奇的好結果。進來有乙個在quara上有關於深度學習是否會替代機器學習的討論。那麼像bp、hmm會像感知機一樣被淘汰麼?
這問題還是挺難回答的。乙個有趣的回答來自jack rae，他說：
經驗結果顯示深度學習這些年來在大資料集上的**結果確實很不錯，但這是一定的嗎?我們去年就發現在乙個數量級在10億行的資料集上它的**能力不是特別好。
他覺得深度學習在大中型資料集上卓越的**能力學習會讓別的機器學習演算法邊緣化，頻臨滅絕。其他的機器學習演算法會被淘汰因為人們一旦遇到模式識別等的問題第乙個想到的就是用深度學習的方法去解決。
另一方面，大多數人仍然相信深度學習不會代替其他的模型或者演算法。jacob steinhart的意見收穫了大量的贊，他寫道：
1.對於大多數的應用，像一些簡單的演算法如邏輯回歸、支援向量機表現的已經很不錯了，使用深度學習會讓問題複雜化。
2.深度學習是可以應用到大部分領域的，但當你從事某一領域，知道這一領域的機器學習演算法的話，你完全可以使用它，這時機器學習演算法工作的也不錯(這句話就是說術業有專攻，什麼領域用什麼演算法，這樣效果更好)。 現在已經有一些工作去把各領域的知識融入到深度學習中的，但這並不能完全替代原有的。
上圖是乙個關於機器學習演算法的時間線
就像在20世紀早期svm一樣，深度學習會成為主流，但首先深度學習應當解決其在大資料需求及複雜性方面的問題，這樣它才會成為人們的第一選擇。
深度學習和機器學習，我們除了從發展的角度來看，還可以從本質上對兩項進行擇優：
機器學習是人工智慧的核心，是使計算機具有智慧型的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納、綜合而不是演繹。
不妨來看下面的經典例子：
#include
usingnamespacestd; voidinput(int&oper,constboolmeth)
不難看出，機器學習的單次效率很高，但是從整體看，有一定的侷限性和不可發展性
深度學習呢?
是機器學習研究中的乙個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋資料，例如影象，聲音和文字。[2] 同機器學習方法一樣，深度機器學習方法也有監督學習與無監督學習之分.不同的學習框架下建立的學習模型很是不同.例如，卷積神經網路(convolutional neural networks，簡稱cnns)就是一種深度的監督學習下的機器學習模型，而深度置信網(deep belief nets，簡稱dbns)就是一種無監督學習下的機器學習模型。 我們來分析一下：
深度學習只能說可以在對輸入資料較少干預的情況下獲得較好的結果，等於是乙個自行提取特徵的過程。但是說相形見絀倒未必，首先深度學習並不能解決所有問題，只是說在分類、識別等任務下效果較好，其次深度學習的開支極大，因此大規模應用是個問題。所以你可以認為深度學習在特定條件下確實優於其他部分機器學習演算法，但是說相形見絀未免誇張了。
中文譯文：
深度學習近年來發展速度很快，並且取得了令人驚奇的好結果。進來有乙個在quara上有關於深度學習是否會替代機器學習的討論。那麼像bp、hmm會像感知機一樣被淘汰麼?
這問題還是挺難回答的。乙個有趣的回答來自jack rae，他說：
經驗結果顯示深度學習這些年來在大資料集上的**結果確實很不錯，但這是一定的嗎?我們去年就發現在乙個數量級在10億行的資料集上它的**能力不是特別好。
他覺得深度學習在大中型資料集上卓越的**能力學習會讓別的機器學習演算法邊緣化，頻臨滅絕。其他的機器學習演算法會被淘汰因為人們一旦遇到模式識別等的問題第乙個想到的就是用深度學習的方法去解決。
另一方面，大多數人仍然相信深度學習不會代替其他的模型或者演算法。jacob steinhart的意見收穫了大量的贊，他寫道：
1.對於大多數的應用，像一些簡單的演算法如邏輯回歸、支援向量機表現的已經很不錯了，使用深度學習會讓問題複雜化。
2.深度學習是可以應用到大部分領域的，但當你從事某一領域，知道這一領域的機器學習演算法的話，你完全可以使用它，這時機器學習演算法工作的也不錯(這句話就是說術業有專攻，什麼領域用什麼演算法，這樣效果更好)。 現在已經有一些工作去把各領域的知識融入到深度學習中的，但這並不能完全替代原有的。
上圖是乙個關於機器學習演算法的時間線
就像在20世紀早期svm一樣，深度學習會成為主流，但首先深度學習應當解決其在大資料需求及複雜性方面的問題，這樣它才會成為人們的第一選擇。
深度學習只能說可以在對輸入資料較少干預的情況下獲得較好的結果，等於是乙個自行提取特徵的過程。但是說相形見絀倒未必，首先深度學習並不能解決所有問題，只是說在分類、識別等任務下效果較好，其次深度學習的開支極大，因此大規模應用是個問題。所以你可以認為深度學習在特定條件下確實優於其他部分機器學習演算法，但是說相形見絀未免誇張了。
中文譯文：
深度學習近年來發展速度很快，並且取得了令人驚奇的好結果。進來有乙個在quara上有關於深度學習是否會替代機器學習的討論。那麼像bp、hmm會像感知機一樣被淘汰麼?
這問題還是挺難回答的。乙個有趣的回答來自jack rae，他說：
經驗結果顯示深度學習這些年來在大資料集上的**結果確實很不錯，但這是一定的嗎?我們去年就發現在乙個數量級在10億行的資料集上它的**能力不是特別好。
他覺得深度學習在大中型資料集上卓越的**能力學習會讓別的機器學習演算法邊緣化，頻臨滅絕。其他的機器學習演算法會被淘汰因為人們一旦遇到模式識別等的問題第乙個想到的就是用深度學習的方法去解決。
另一方面，大多數人仍然相信深度學習不會代替其他的模型或者演算法。jacob steinhart的意見收穫了大量的贊，他寫道：
1.對於大多數的應用，像一些簡單的演算法如邏輯回歸、支援向量機表現的已經很不錯了，使用深度學習會讓問題複雜化。
2.深度學習是可以應用到大部分領域的，但當你從事某一領域，知道這一領域的機器學習演算法的話，你完全可以使用它，這時機器學習演算法工作的也不錯(這句話就是說術業有專攻，什麼領域用什麼演算法，這樣效果更好)。 現在已經有一些工作去把各領域的知識融入到深度學習中的，但這並不能完全替代原有的。
上圖是乙個關於機器學習演算法的時間線
就像在20世紀早期svm一樣，深度學習會成為主流，但首先深度學習應當解決其在大資料需求及複雜性方面的問題，這樣它才會成為人們的第一選擇。
機器學習實戰 機器學習實戰 支援向量機（一）
從分類效力來講，svm在無論線性還是非線性分類中，都十分出色 現在桌子上有一些雜亂的 小球 我們想要將他們分開 我們可以放一根棒棒上去 是不是看起來還行，小棍將藍色球和紅色球分開。但這時，又有個人把一顆紅色的小球放在了棍子的另一邊，這樣就有乙個球似乎落在了錯誤的一側，我們可能需要調整棒棒 所謂，sv...
機器學習深度學習
機器學習與深度學習，人工智慧 這些領域，如果機器需要向人學習，那麼，人是如何學習的，或者人思維是如何運作的。構 的乙個思維生態 閉環 目前機器學習人工智慧的取得較大發展是依託統計概率論。如果機器需要有自己的ai，那麼是否意味著人在創造生命。因為，生命可以不斷的延續。那麼什麼是生命，生命由那些構成，構...
機器學習 深度學習
深度學習歷程 深度學習是一種機器學習方法，給定一組輸入 值輸入或者傳出計算機資訊 它允許我們訓練人工智慧來 輸出。吳恩達 與深度學習類似的是，火箭發動機是深度學習模型，燃料是我們可以提供給這些演算法的海量資料。神經網路是一組粗略模仿人類大腦，用於模式識別的演算法。1981 年 諾貝爾獎，人的視覺系統...