Tensorflow 简明教程

Machine Learning and Deep Learning

人工智能是近年来最热门的趋势之一。机器学习和深度学习构成人工智能。下面显示的维恩图解释了机器学习和深度学习之间的关系 −

venn diagram

Machine Learning

机器学习是让计算机按照设计和编程的算法执行操作的科学艺术。许多研究人员认为,机器学习是实现达到人类水平的 AI 的最佳途径。机器学习包括以下类型的模式

  1. Supervised learning pattern

  2. Unsupervised learning pattern

Deep Learning

深度学习是机器学习的一个子领域,其中涉及的算法受到称为人工神经网络的大脑结构和功能的启发。

当今深度学习的所有价值都是通过监督式学习或从标记数据和算法中学习而获得的。

深度学习中的每个算法都会经历相同的过程。它包括输入的非线性变换层次结构,可用于生成统计模型作为输出。

考虑定义机器学习过程的以下步骤

  1. 识别相关数据集并准备它们以进行分析。

  2. 选择要使用的算法类型

  3. 基于所使用的算法构建分析模型。

  4. 在测试数据集上对模型进行训练,根据需要对其进行修改。

  5. 运行模型生成测试分数。

Difference between Machine Learning and Deep learning

在本节中,我们将了解机器学习和深度学习之间的差异。

Amount of data

机器学习处理大量数据。它对于处理少量数据也有用。另一方面,如果数据量快速增长,深度学习将有效。下图显示了机器学习和深度学习与数据量之间如何运作 −

amount of data

Hardware Dependencies

与传统机器学习算法不同,深度学习算法被设计为高度依赖于高端机器。深度学习算法执行许多矩阵乘法运算,需要大量的硬件支持。

Feature Engineering

特征工程是将领域知识放入指定特征中以降低数据复杂性并使模式对学习算法可见的过程。

示例 − 传统机器学习模式专注于像素和其他用于特征工程过程的属性。深度学习算法专注于数据中的高级特征。它减少了为每个新问题开发新特征提取器的任务。

Problem Solving Approach

传统机器学习算法遵循标准程序来解决问题。它将问题分解为部分,解决其中每个部分并将它们组合起来以获得所需的结果。深度学习专注于端到端解决问题,而不是将问题分解为各个部分。

Execution Time

执行时间是训练算法所需的时间量。深度学习需要很多时间来训练,因为它包含许多参数,耗时比平时长。相比之下,机器学习算法所需的执行时间较少。

Interpretability

可解释性是比较机器学习和深度学习算法的主要因素。主要原因是深度学习在工业中使用之前仍然会被再三考虑。

Applications of Machine Learning and Deep Learning

在本节中,我们将了解机器学习和深度学习的不同应用。

  1. 用于面部识别和通过指纹考勤或通过车牌识别车辆的计算机视觉。

  2. 来自搜索引擎的信息检索,例如图片搜索的文本搜索。

  3. 带有指定目标识别的自动化电子邮件营销。

  4. 基于肿瘤的癌症医学诊断或任何慢性病的异常识别。

  5. 针对照片标记等应用的自然语言处理。用于解释此场景的最佳范例用于 Facebook。

  6. Online Advertising.

  1. 随着业界对数据科学和机器学习的使用趋势不断增强,对于每个组织而言,在业务中引进机器学习将变得重要。

  2. 深度学习比机器学习重要得多。深度学习被证明是表现最先进技术的最佳方法之一。

  3. 机器学习和深度学习将在研究和学术领域中证明是有益的。

Conclusion

本文概述了机器学习和深度学习,并提供了图示,展示了差异,同时重点介绍了未来趋势。许多 AI 应用程序主要利用机器学习算法来实现自助服务、提高代理生产力,并提高工作流的可靠性。机器学习和深度学习算法对许多企业和行业领导者来说是一个激动人心的前景。