Question

机器学习和深度学习的区别

Answer 1

简单来说，机器学习是实现人工智能的方法，深度学习是实现机器学习的技术。机器学习在实现人工智能时中需要人工辅助（半自动），而深度学习使该过程完全自动化

三者关系：

 举个例子：通过机器学习算法来识别水果是橘子还是苹果，需要人工输入水果的特征数据，生成一定的算法模型，进而可以准确预测具有这些特征的水果的类型，而深度学习则能自动的去发现特征进而判断。

Answer 2

现在有很多人对机器学习和深度学习的概念并不是很明白，其实深度学习是机器学习中的一部分，而机器学习是深度学习的基础，这两个知识体系都是服务于人工智能的。
通常我们用机器算法来解析数据，学习数据，并从中做出理智的判定。根本上讲，深度学习用于创建可自我学习和可理智判定的人工“神经网络”。我们可以说深度学习是机器学习的子领域。而机器学习与深度学习对比具体体现在四方面：
第一是数据依赖。一般来说，性能是区别二者的最主要之处。当数据量小时，深度学习算法表现不佳。这就是深度学习算法需要大量的数据才能完美理解的唯一原因。
第二是硬件依赖通常，深度学习依赖于高端设备，而传统学习依赖于低端设备。因此，深度学习要求包含GPU，这是它工作中不可或缺的一部分。它们还需要进行大量的矩阵乘法运算。
第三是功能工程化，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，并使模式对学习算法的工作原理上更可见，虽然处理起来非常困难。 因此，这是耗时并需要专业知识的。
第四是解决问题的方法，一般来说，我们使用传统算法来解决问题。但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，请将它们全部合并起来。

Answer 3

深度学习是机器学习的一种

Answer 4

网络上那么多深度学习的资料，学习了很多之后还是懵懵懂懂的。自从我上周听了菜鸟窝的AI免费公开课，才算真正明白。老师通过横向对比的方式，让我了解一个普通的程序和机器学习算法的相同点/差别点是什么？对于程序而言就是要一个准确的结果，而对于机器学习而言我们要的是规则。

机器学习有聚类算法和分类算法，这是常见的一些机器学习算法。网络上大多数资料都显示深度学习只是机器学习的一种特殊类型，今天我们从另一个角度来看，其实深度学习是另外一类算法的集合，深度学习的核心是网络深度和网络结构。网络深度是一个相对概念，没有说一个隐藏层要大于多少才算深度学习。

深度学习的另外一个核心是网络结构：深度自信网络、神经网络、循环网络、卷积网络都各自是一种结构。按照结构的不同，有不同的分类，比如LSTM、ResNet都是一种特殊的结构，而不是一种特殊的算法。LSTM是深度学习算法领域中的一种网络结构，千万不要理解为一种算法。

我可能说的不是特别明白，你可以自行去看看他们的直播课视频回放（看第三章就好了）机器学习与深度学习的区别

Answer 5

数据依赖性
深度学习与传统的机器学习最主要的区别在于随着数据规模的增加其性能也不断增长。当数据很少时，深度学习算法的性能并不好。这是因为深度学习算法需要大量的数据来完美地理解它。另一方面，在这种情况下，传统的机器学习算法使用制定的规则，性能会比较好。
硬件依赖
深度学习算法需要进行大量的矩阵运算，GPU 主要用来高效优化矩阵运算，所以 GPU 是深度学习正常工作的必须硬件。与传统机器学习算法相比，深度学习更依赖安装 GPU 的高端机器。
特征处理
特征处理是将领域知识放入特征提取器里面来减少数据的复杂度并生成使学习算法工作的更好的模式的过程。特征处理过程很耗时而且需要专业知识。
在机器学习中，大多数应用的特征都需要专家确定然后编码为一种数据类型。
特征可以使像素值、形状、纹理、位置和方向。大多数机器学习算法的性能依赖于所提取的特征的准确度。
深度学习尝试从数据中直接获取高等级的特征，这是深度学习与传统机器学习算法的主要的不同。基于此，深度学习削减了对每一个问题设计特征提取器的工作。例如，卷积神经网络尝试在前边的层学习低等级的特征(边界，线条)，然后学习部分人脸，然后是高级的人脸的描述。
问题解决方式
当应用传统机器学习算法解决问题的时候，传统机器学习通常会将问题分解为多个子问题并逐个子问题解决最后结合所有子问题的结果获得最终结果。相反，深度学习提倡直接的端到端的解决问题。
执行时间
通常情况下，训练一个深度学习算法需要很长的时间。这是因为深度学习算法中参数很多，因此训练算法需要消耗更长的时间。最先进的深度学习算法 ResNet完整地训练一次需要消耗两周的时间，而机器学习的训练会消耗的时间相对较少，只需要几秒钟到几小时的时间。
但两者测试的时间上是完全相反。深度学习算法在测试时只需要很少的时间去运行。如果跟 k-nearest neighbors（一种机器学习算法）相比较，测试时间会随着数据量的提升而增加。不过这不适用于所有的机器学习算法，因为有些机器学习算法的测试时间也很短。
可解释性
至关重要的一点，我们把可解释性作为比较机器学习和深度学习的一个因素。
我们看个例子。假设我们适用深度学习去自动为文章评分。深度学习可以达到接近人的标准，这是相当惊人的性能表现。但是这仍然有个问题。深度学习算法不会告诉你为什么它会给出这个分数。当然，在数学的角度上，你可以找出来哪一个深度神经网络节点被激活了。但是我们不知道神经元应该是什么模型，我们也不知道这些神经单元层要共同做什么。所以无法解释结果是如何产生的。
另一方面，为了解释为什么算法这样选择，像决策树(decision trees)这样机器学习算法给出了明确的规则，所以解释决策背后的推理是很容易的。因此，决策树和线性/逻辑回归这样的算法主要用于工业上的可解释性。