🔎大家好，我是Sonhhxg_柒，希望你看完之后，能对你有所帮助，不足请指正！共同学习交流🔎

📝个人主页－Sonhhxg_柒的博客_CSDN博客 📃

🎁欢迎各位→点赞👍 + 收藏⭐️ + 留言📝​

📣系列专栏 - 机器学习【ML】 自然语言处理【NLP】  深度学习【DL】

​​

 🖍foreword

✔说明⇢本人讲解主要包括Python、机器学习（ML）、深度学习（DL）、自然语言处理（NLP）等内容。

如果你对这个系列感兴趣的话，可以关注订阅哟👋

文章目录

什么是机器学习？

什么是深度学习？

机器学习和深度学习的 5 个主要区别

1. 人为干预

2.硬件

3.时间

4.方法

5.应用

机器学习和深度学习未来趋势

---

大多数人没有意识到机器学习是一种人工智能 (AI)，它诞生于 1950 年代。亚瑟·塞缪尔 (Arthur Samuel) 于 1959 年编写了第一个计算机学习程序，其中一台 IBM 计算机玩跳棋的时间越长，它就越擅长跳棋。快进到今天，人工智能不仅仅是尖端技术；它可以带来高薪和令人兴奋的工作。机器学习工程师的需求量很大，因为正如 upsaily MLE Tomasz Dudek所说，数据科学家和软件工程师都不具备机器学习领域所需的技能。公司需要精通这两个领域但又能做数据科学家和软件工程师都做不到的专业人士。那个人是机器学习工程师。 

“人工智能”、“机器学习”和“深度学习”这三个术语经常互换使用，但如果您正在考虑从事 AI 职业，了解它们的不同之处很重要。根据牛津生活词典，人工智能是“计算机系统的理论和发展，能够执行通常需要人类智能才能完成的任务，例如视觉感知、语音识别、决策制定和语言之间的翻译。” 尽管它们可能被称为“智能”，但一些 AI 计算机系统不会自行学习；这就是机器学习和深度学习的用武之地。 

什么是机器学习？

通过机器学习，计算机系统被编程为从输入的数据中学习，而无需不断重新编程。换句话说，他们在没有人类额外帮助的情况下不断提高他们在一项任务中的表现——例如，玩游戏。机器学习被用于广泛的领域：艺术、科学、金融、医疗保健——应有尽有。并且有不同的方法可以让机器学习。有些很简单，例如基本的决策树，有些则复杂得多，涉及多层人工神经网络。后者发生在深度学习中。我们将在一分钟内详细介绍。

机器学习之所以成为可能，不仅是因为亚瑟·塞缪尔 (Arthur Samuel) 在 1959 年的突破性计划——使用相对简单（按照今天的标准）搜索树作为其主要驱动程序，他的 IBM 计算机在跳棋方面不断改进——还有互联网。多亏了互联网，大量的数据被创建和存储，这些数据可以提供给计算机系统以帮助它们“学习”。  

使用 R 的机器学习和使用 Python 的机器学习是当今使用的两种流行方法。虽然我们不会在本文中讨论特定的编程语言，但如果您想更深入地研究使用 R 的机器学习和使用 Python 的机器学习，了解 R 或 Python 会很有帮助。

什么是深度学习？

一些人认为深度学习是机器学习的下一个前沿，是前沿中的前沿。您可能已经在不知不觉中体验了深度学习计划的成果！如果您曾经看过 Netflix，您可能已经看过它对观看内容的建议。一些流媒体音乐服务会根据您过去听过的歌曲或您点赞或点击“喜欢”按钮的歌曲来选择歌曲。这两种能力都基于深度学习。谷歌的语音识别和图像识别算法也使用了深度学习。

正如机器学习被认为是一种 AI 一样，深度学习通常被认为是一种机器学习——有人称之为子集。机器学习使用预测模型等更简单的概念，而深度学习使用旨在模仿人类思考和学习方式的人工神经网络。你可能还记得高中的生物学课，人脑的主要细胞成分和主要计算元素是神经元，每个神经连接就像一台小型计算机。大脑中的神经元网络负责处理各种输入：视觉、感觉等。

对于深度学习计算机系统，与机器学习一样，输入仍然被输入其中，但信息通常以庞大数据集的形式存在，因为深度学习系统需要大量数据来理解它并返回准确的结果。然后，人工神经网络根据数据提出一系列二元对/错问题，涉及高度复杂的数学计算，并根据收到的答案对数据进行分类。 

因此，尽管机器学习和深度学习都属于人工智能的一般分类，并且都从数据输入中“学习”，但机器学习和深度学习之间存在一些关键差异。

机器学习和深度学习的 5 个主要区别

1. 人为干预

而对于机器学习系统，人类需要根据数据类型（例如，像素值、形状、方向）识别和手动编码应用的特征，而深度学习系统试图在没有额外人工干预的情况下学习这些特征。以面部识别程序为例。该程序首先学习检测和识别面部的边缘和线条，然后是面部更重要的部分，最后是面部的整体表示。这样做涉及的数据量是巨大的，随着时间的推移和程序自我训练，正确答案（即准确识别人脸）的概率会增加。这种训练是通过使用神经网络进行的，类似于人脑的工作方式，不需要人重新编写程序。 

2.硬件

由于正在处理的数据量和所用算法中涉及的数学计算的复杂性，深度学习系统需要比简单的机器学习系统更强大的硬件。一种用于深度学习的硬件是图形处理单元 (GPU)。机器学习程序可以在没有那么多计算能力的低端机器上运行。

3.时间

正如您所料，由于深度学习系统需要庞大的数据集，并且涉及的参数和复杂的数学公式太多，因此深度学习系统可能需要花费大量时间进行训练。机器学习可能只需几秒到几小时，而深度学习可能需要几小时到几周！

4.方法

机器学习中使用的算法倾向于分段解析数据，然后将这些部分组合起来得出结果或解决方案。深度学习系统会一次性查看整个问题或场景。例如，如果您想要一个程序来识别图像中的特定对象（它们是什么以及它们所在的位置——例如停车场中汽车的车牌），您必须通过机器学习来完成两个步骤：首先是物体检测，然后是物体识别。另一方面，对于深度学习程序，您可以输入图像，通过训练，程序将在一个结果中返回已识别的对象及其在图像中的位置。

5.应用

鉴于上述所有其他差异，您可能已经发现机器学习和深度学习系统用于不同的应用程序。它们的用途：基本的机器学习应用程序包括预测程序（例如预测股市价格或下一次飓风袭击的地点和时间）、垃圾邮件标识符以及为内科患者设计基于证据的治疗计划的程序。除了上面提到的 Netflix、音乐流媒体服务和面部识别的例子之外，深度学习的一个广为人知的应用是自动驾驶汽车——程序使用多层神经网络来做一些事情，比如确定要避开的物体、识别交通灯并知道何时加速或减速。 

机器学习和深度学习未来趋势

未来机器学习和深度学习的可能性几乎是无穷无尽的！机器人的使用增加是理所当然的，不仅在制造业，而且在可以从主要和次要方面改善我们日常生活的方式。医疗保健行业也可能会发生变化，因为深度学习可以帮助医生做一些事情，比如更早地预测或检测癌症，从而挽救生命。在金融方面，机器学习和深度学习有望帮助企业乃至个人省钱、更明智地投资、更有效地分配资源。而这三个领域只是机器学习和深度学习未来趋势的开始。许多将要改进的地方现在仍然只是开发者想象中的火花。