机器学习与深度学习有什么不同
机器学习和深度学习之间的 5 个主要区别：
1. 人为干预
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）识别并手动编码应用特征，而深度学习系统则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。此程序首先会学习检测识别人脸的边缘和线条，然后是人脸的更重要部分，最后是人脸的整体样貌。这样做会涉及到大量数据，随着时间的推移和程序自我训练，正确答案（即准确识别面部）的概率会逐渐增加。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，不需要人类重新编程。
2. 硬件
由于要处理的数据量和所用算法中涉及的数学计算的复杂性不同，深度学习系统需要比简单的机器学习系统更强大的硬件。用于深度学习的一种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
正如我们所了解的，由于深度学习系统需要庞大的数据集，而且它涉及的参数和数学公式非常之多，因此深度学习系统会需要大量训练时间。机器学习可能需要几秒钟到几个小时，而深度学习可能需要几个小时到几周的时间！
4. 方法
机器学习中使用的算法倾向于对不同部分进行数据解析，然后将这些部分组合起来从而得出结果或解决方案。深度学习系统一次解决整个问题。例如，你想用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——例如停车场汽车上的车牌），你必须通过机器学习完成两个步骤：首先是物体检测，然后是物体识别。而使用深度学习程序，你只需要输入图像，通过训练，程序将在一个结果中返回识别的对象及其在图像中的位置。
5. 应用
通过上述差异，你可能已经意识到机器学习和深度学习系统会用于不同的应用程序。使用地点：基本的机器学习应用程序包括预测程序（例如预测股票市场的价格或下一次飓风袭击的时间和地点）、垃圾邮件标识符以及为医疗患者设计循证治疗计划的程序。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，深度学习另一个广为人知的应用领域便是自动驾驶汽车——该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。
