在过去的几年里，关于机器学习与深度学习的争论获得了相当大的关注。这两种技术的基本优势在于它们能够从可用数据中学习。尽管这两种分支 AI 技术都在“学习算法”方面取得了胜利，但机器学习 (ML) 算法的学习方式与人工智能的学习方法大不相同。深度学习（DL）算法。

ML 直接观察数据模式并建立相关性，而 DL 算法则从错综复杂的知识层中逐步学习。DL 被认为是 ML 的一个子集，其中学习通过通常称为人工神经网络（安）。这人工神经网络在功能方面最接近人脑。

机器学习与深度学习：哪个更热门？  
机器学习和深度学习领域的研究和专利竞赛正在今天进行，并将在未来很长一段时间内继续上升。

虽然机器学习是一种特殊的人工智能，它通过自己研究可用数据来促进算法的自动学习。机器学习算法是智能程序，无需任何程序干预即可搜索、访问和学习数据。机器学习模型通常用于工业部门来预测风险和机会。

这SD时代索赔如果没有机器学习从大数据中提取价值，那么大数据就不会发生。

另一方面，那个报告Gartner 的新兴技术炒作周期将深度学习列为 2021 年及以后的八种新兴技术之一。深度学习可以被认为是 ML 的一个子集，其中学习是通过公开知识的分层结构发生的。

在 DATAVERSITY ®文章中深度学习的商业利益，通常在深度学习中发现的大脑（类似于人脑的功能）学习质量已经被很好地描述了。两种学习方法之间最显着的区别可能是 ML 算法处理有监督的数据，而 DL 算法则应用于无监督的草皮。

Gartner 提供以下预测：

到 2021 年，10% 的客服人员将参与机器人交互
到 2021 年，初创公司将引领人工智能经济，将四大巨头甩在后面
到 2022 年，企业的成功将取决于认知技术
同样到 2022 年，至少 20% 的企业将让员工参与神经网络
机器学习和深度学习之间的相似之处
Zendesk 博客文章理解机器学习与深度学习的简单方法使用术语“数据”来统一 ML 和 DL。根据这篇文章，虽然 ML 算法从数据中学习以做出决策或预测，但 DL 算法与层中的数据交互以使学习渐进和累积。

众所周知，ML 和 DL 都处理“学习算法”，尽管学习方法非常不同。ML 和 DL 之间的“共同点”可以通过自动驾驶汽车的类比来解释。基本含义是，当人类无法编写程序来解决问题时，ML 或 DL 的机器智能会接管，以教计算机成为自我解决的机器。

ML 和 DL 的另一个相似之处在于计算机视觉、图像识别、信息检索系统、营销自动化、医学诊断和 NLP 等应用领域，ML 和 DL 算法都已成功应用。这SAS研究所 谈论 ML 的一些流行应用。

机器学习与深度学习之间的差异
如前所述，ML 和 DL 之间的主要区别在于每种情况下的学习方法。分析印度杂志展示ML 中使用的“迭代学习过程”与 DL 中使用的分层学习方法有何不同。

文章 Deep Learning and Machine Learning Differences: Recent Views in an Ongoing Debate讨论了 DL 模型是如何被描述为完全“无监督”的学生——自己学习——一次一层。

根据福布斯 机器学习与深度学习之间的主要区别在于实际的学习方法。深度学习需要大量数据，算法使用这些数据来对其他数据做出决策。此外，DL 算法可以应用于任何类型的数据——图像、音频、视频、语音等，这在 ML 中通常是不可能的。

数据科学中心更全面地研究数据科学或人工智能的不同分支之间的差异，读者将在这里发现处理业务数据的不同操作方法。

机器学习与深度学习之间的一些较大差异是：

问题处理：在机器学习中，一个大问题被分解成更小的块，然后每个块分别解决。最后，将所有解决方案重新组合在一起。在深度学习中，问题是端到端解决的。
数据使用量： ML算法在海量数据和大数据场景中都证明了自己的能力。当数据量很大时，可以执行深度学习算法。但是，当数据量很低时，这些算法中的任何一个真的可以工作吗？
处理器要求：机器学习算法在普通机器上管理得很好，但深度学习算法需要高性能机器才能表现良好。
特征工程：在 ML 中，“特征提取”仍然是手动处理的，而在 DL 中，特征提取在学习过程中自动进行。由于手动过程既费时又费力，DL 通过自动化特征提取的这一关键阶段减少了大量工作。
训练时间：在深度学习中，由于神经层错综复杂，训练时间更长、更复杂。在机器学习中，可以训练算法在很短的时间内学习。
可解释性：在机器学习中，算法提供了精确的规则来解释特定选择背后的决策，而在深度学习中，决策显得“任意”，使用户几乎没有解释能力来合理化选择。这就是为什么 DL 算法永远无法在法庭科学中发挥作用，因为证据必须在法庭上得到合理解释。
ML 和 DL 之间的比较和对比特征
Gartner声称DL 算法在产品推荐、需求预测、语音到文本服务等许多任务上都优于人类。在理想情况下，ML 和 DL 共同提供最佳结果。

在最高级别的应用程序中，DL 和有监督的 ML 算法的性能相似，例如，可以训练 DL 和有监督的 ML 算法来识别巨大图像库中图像中的对象组。DL 与 ML 的不同之处在于，DL 可以直接处理所有类型的数据，例如音频、视频、图像，而 ML 必须处理原始数据并让数据科学家在训练模型之前训练算法。DL 算法的这种自学能力使其非常强大。

ML 中的特征提取过程仍然由人类数据科学家处理，这给处理时间和性能带来了额外的负担。可用的自动特征提取是 DL，它比传统的 ML 领先几光年。在深度学习中，人类数据科学家的巨大时间和劳动力负担得到了更多消除，因为算法可以自动专注于正确的特征，而无需人类科学家的任何干预。

网络拓扑设计要求抵消了深度学习中自动特征提取所提供的缓解。在许多情况下，数据科学家同时使用大型数据集群，这给执行时间和效率带来了沉重的负担。这就是为什么 DL 算法在能够非常快速地处理大型向量运算的超级计算机中运行得最好。

相比机器学习，深度学习的一个显着缺点是需要非常昂贵的机器来执行。为了让企业能够“负担得起”深度学习，数据科学家社区采用了图形处理单元 (GPU)，它可以非常快速地执行数十亿次操作。在 DL 世界中发现的另一个相关特征是开源库的存在，这些库是许多图像和语音识别应用程序的固定解决方案。目前可用的主要开源库是 TensorFlow、Cafe 或 MXNet。

结论

文章 深度学习更新：机器学习、深度强化学习和限制讨论了 AI 和 DL 领域的最新发展如何逐渐将机器变成像人类一样具有自我思考的实体。如果 Gartner 对当前十年“万物数字化”的最大技术预测成为现实，那么机器学习和深度学习以及其他智能技术必须继续提高效率、商业价值和运营水平。

相关帖子DA内容精选 2022年300个以上最佳免费数据科学课 大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！ 机器学习模型方法总结 历史最全机器学习/深度学习/人工智能专业术语表中英对照表 机器学习如何应用于商业场景？三个真实的商业项目 数据工作者的自我修养 | 哪些技能是必不可少的？ 《汗牛充栋：数据分析书籍分享》CDA网校新课上线 文本挖掘常用的107个语料库 一图读懂“东数西算”工程 零基础转行数据分析，看这篇文章就够了