欢迎大家前往，获取更多腾讯海量技术实践干货哦~
本文由发表于
在本文中，我们将研究深度学习和机器学习之间的差异。我们将逐一了解它们，然后讨论他们在各个方面的不同之处。除了深度学习和机器学习的比较外，我们还将研究他们未来的趋势和走向。
深度学习与机器学习简介
一、什么是机器学习？
通常，为了实现人工智能，我们使用机器学习。我们有几种算法用于机器学习。例如：
Find-S算法
决策树算法（Decision trees）
随机森林算法（Random forests）
人工神经网络
通常，有3种类型的学习算法：
1，监督机器学习算法用于进行预测。此外，该算法搜索分配给数据点的值标签内的模式。
2，无监督机器学习算法：没有标签与数据点相关联。这些ML算法将数据组织成一组簇。此外，它需要描述其结构，使复杂的数据看起来简单，有条理，便于分析。
3，增强机器学习算法：我们使用这些算法来选择动作。此外，我们可以看到它基于每个数据点。一段时间后，算法改变其策略以更好地学习。
二、什么是深度学习？
机器学习只关注解决现实问题。它还需要更加智能的一些想法。机器学习通过旨在模仿人类决策能力的神经网络。ML工具和技术是关键的两个深度学习的窄子集，我们需要用他们来解决需要思考的问题。任何深度神经网络都将包含三种类型的图层：
输入层
隐藏层
输出层
我们可以说深度学习是机器学习领域的最新领域。这是实现机器学习的一种方式。
深度学习与机器学习
我们使用机器算法来解析数据，从数据中学习，并根据所学知识做出明智的决策。基本上，深度学习用于创建人工“神经网络” ，可以自己学习和做出明智的决策。我们可以说深度学习是机器学习的一个子领域。
机器学习与深度学习的比较
数据依赖性
性能是两种算法之间的主要关键区别。虽然，当数据很小时，深度学习算法表现不佳。这就是是深度学习算法需要大量数据才能完美理解的原因。
但是，在这种情况下，我们可以看到算法的使用以及他们手工制作的规则。上图总结了这一事实。
硬件依赖
通常，深度学习依赖于高端机器，而传统学习依赖于低端机器。因此，深度学习要求包括GPU。这是它工作中不可或缺的一部分。它们还进行大量的矩阵乘法运算。
特色工程
这是一个普遍的过程。在此，领域知识被用于创建特征提取器，以降低数据的复杂性，并使模式更加可见以学习算法的工作。虽然，处理起来非常困难。因此，这是需要非常多的专业知识和时间。
解决问题的方法
通常，我们使用传统算法来解决问题。但是，它需要将问题分解为不同的部分以单独解决它们。要获得结果，请将它们全部组合起来。
例如：
让我们假设你有一个多对象检测的任务。在此任务中，我们必须确定对象是什么以及它在图像中的位置。在机器学习方法中，我们必须将问题分为两个步骤：
1.物体检测
2.物体识别
首先，我们使用抓取算法浏览图像并找到所有可能的对象。然后，在所有已识别的对象中，你将使用像SVM和HOG这样的对象识别算法来识别相关对象。
执行时间处理时间
通常，与机器学习相比，深度学习需要更多时间进行训练。主要原因是深度学习算法中有太多参数。机器学习只花需要更少的时间进行训练。
解释性
我们将可解释性作为比较两种学习技巧的因素。尽管如此，深度学习在用于工业之前仍然被认为是10次。
机器学习和深度学习在哪里应用？
计算机视觉： 我们将其用于车牌识别和面部识别等不同应用。
信息检索： 我们将ML和DL用于搜索引擎，文本搜索和图像搜索等应用程序。
营销：我们在自动电子邮件营销和目标识别中使用这种学习技术。
医疗诊断：它在医学领域也有广泛的应用。癌症鉴定和异常检测等应用。
自然语言处理：适用于情感分析，照片标签，在线广告等应用。
未来的趋势
如今，机器学习和数据科学正处于趋势中。在公司中，对它们的需求正在迅速增加。对于希望在其业务中集成机器学习而生存的公司而言，他们的需求尤其大。
深度学习被发现，并证明拥有最先进的表演技术。因此，深度学习让我们感到惊讶，并将在不久的将来继续这样做。
最近，研究人员不断探索机器学习和深度学习。过去，研究人员仅限于学术界。但是，如今，机器学习和深度学习的研究正在两个行业和学术界中占据一席之地。
结论
我们研究了深度学习和机器学习，并研究了两者之间的比较。我们还研究了图像，以便更好地表达和理解。如果你有任何疑问，可以随时在评论部分询问。
原文标题《Machine Learning vs. Deep Learning》，
作者:Shailna Patidar
译者：谢子乔
不代表云加社区观点，更多详情请查看
问答
相关阅读
此文已由作者授权腾讯云+社区发布，更多原文请
搜索关注公众号「云加社区」，第一时间获取技术干货，关注后回复1024 送你一份技术课程大礼包！
海量技术实践经验，尽在！