機(jī)器學(xué)習(xí)與深度學(xué)習(xí)有什么異同？深度學(xué)習(xí)和一般機(jī)器學(xué)習(xí)的區(qū)別是什么1:一般機(jī)器學(xué)習(xí)一般指決策樹(shù)、邏輯回歸、支持向量機(jī)、xgboost等，深度學(xué)習(xí)的主要特點(diǎn)是使用深度神經(jīng)網(wǎng)絡(luò)：深度卷積網(wǎng)絡(luò)、深度循環(huán)網(wǎng)絡(luò)，

機(jī)器學(xué)習(xí)與深度學(xué)習(xí)有什么異同？

深度學(xué)習(xí)和一般機(jī)器學(xué)習(xí)的區(qū)別是什么

1:一般機(jī)器學(xué)習(xí)一般指決策樹(shù)、邏輯回歸、支持向量機(jī)、xgboost等，深度學(xué)習(xí)的主要特點(diǎn)是使用深度神經(jīng)網(wǎng)絡(luò)：深度卷積網(wǎng)絡(luò)、深度循環(huán)網(wǎng)絡(luò)，遞歸網(wǎng)絡(luò)等。算法在層次上沒(méi)有相似性。很難說(shuō)相似性可能是每個(gè)人的函數(shù)都要擬合的高維函數(shù)。 ] ]2:一般機(jī)器學(xué)習(xí)在分析低維和可解釋的任務(wù)時(shí)表現(xiàn)更好。例如，數(shù)據(jù)挖掘和推薦算法。它們的特點(diǎn)是，總體而言，所收集的數(shù)據(jù)維數(shù)不高。以廣告推送任務(wù)為例，一般分析的數(shù)據(jù)維度僅包括性別、年齡、學(xué)歷、職業(yè)等，參數(shù)調(diào)整方向明確。

3：深度學(xué)習(xí)算法擅長(zhǎng)分析高維數(shù)據(jù)。例如，圖像、聲音等。例如，圖像可以具有千萬(wàn)像素，相當(dāng)于千萬(wàn)特征向量維，并且像素之間的關(guān)系不是特別明顯。在這種情況下，卷積神經(jīng)網(wǎng)絡(luò)能夠有效地處理這一問(wèn)題，基本上能夠非常準(zhǔn)確地掌握?qǐng)D像的特征。但各維度的解釋力很弱，參數(shù)調(diào)整的方向也不明確（神經(jīng)元個(gè)數(shù)、隱層個(gè)數(shù)等）。綜上所述，兩者其實(shí)有很大的不同。近年來(lái)，深度學(xué)習(xí)得到了發(fā)展。傳統(tǒng)的機(jī)器學(xué)習(xí)算法大多來(lái)源于概率論和信息學(xué)。在編程方面，傳統(tǒng)的機(jī)器學(xué)習(xí)模型基本上集成到sklearn包中。對(duì)于深度學(xué)習(xí)，可以使用tensorflow作為框架。對(duì)于傳統(tǒng)機(jī)器學(xué)習(xí)的詳細(xì)理解，可以從李航的統(tǒng)計(jì)原理或周志華的機(jī)器學(xué)習(xí)（又稱(chēng)西瓜書(shū)）中看到。由于近兩年關(guān)于深度學(xué)習(xí)的書(shū)籍不多，我們可以參考近兩年關(guān)于深度學(xué)習(xí)的論文。當(dāng)然，它們都需要一個(gè)堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，主要是三本書(shū)：線(xiàn)性代數(shù)或高等代數(shù)，高等數(shù)學(xué)或數(shù)學(xué)分析，概率論或隨機(jī)過(guò)程

！分類(lèi)問(wèn)題和回歸問(wèn)題都需要根據(jù)訓(xùn)練樣本找到一個(gè)真正的解決方案?；貧w問(wèn)題是：給定一個(gè)新的模式，根據(jù)訓(xùn)練集推斷出相應(yīng)的輸出y（實(shí)數(shù)）。

換句話(huà)說(shuō)，y=g（x）用于推斷任何輸入x的相應(yīng)輸出值。分類(lèi)問(wèn)題是：給定一個(gè)新模式，根據(jù)訓(xùn)練集推斷其相應(yīng)的類(lèi)別（如：1，-1）。也就是說(shuō)，用y=sign（g（x））來(lái)推斷任何輸入x對(duì)應(yīng)的類(lèi)別，綜上所述，回歸問(wèn)題和分類(lèi)問(wèn)題的本質(zhì)是一樣的，唯一的區(qū)別是它們的輸出值范圍不同。在分類(lèi)問(wèn)題中，只有兩個(gè)值可以作為輸出，而在回歸問(wèn)題中，任何實(shí)數(shù)都可以作為輸出。

支持向量機(jī)回歸與分類(lèi)的區(qū)別？

謝謝。我可以確切地說(shuō)，不！也許首先，為什么深度學(xué)習(xí)被稱(chēng)為“深度”？從當(dāng)前技術(shù)的角度來(lái)看，深度學(xué)習(xí)結(jié)合底層特征，形成更抽象的屬性類(lèi)別或特征的高層表示，從而發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。

深度學(xué)習(xí)屬于前者，它有很多參數(shù)需要調(diào)整，是一個(gè)非常大的參數(shù)模型。一般的機(jī)器學(xué)習(xí)模型屬于后者，它需要強(qiáng)大的特征來(lái)分離數(shù)據(jù)，最終得到不同的類(lèi)別。

一般來(lái)說(shuō)，目前深度學(xué)習(xí)確實(shí)有很多優(yōu)勢(shì)。例如，對(duì)我來(lái)說(shuō)，這是非常簡(jiǎn)單和暴力的。它不需要很長(zhǎng)時(shí)間來(lái)調(diào)整參數(shù)，清理數(shù)據(jù)，并把它扔進(jìn)去看看結(jié)果。如果不好，調(diào)整參數(shù)繼續(xù)嘗試。一般的機(jī)器學(xué)習(xí)模型不是這樣的。它需要大量的特征工程。但是，深度學(xué)習(xí)有一個(gè)問(wèn)題，到目前為止還沒(méi)有解決的工程。它是一個(gè)可解釋性差的“黑匣子”，導(dǎo)致系統(tǒng)出現(xiàn)錯(cuò)誤，無(wú)法快速找出原因或追溯以前的錯(cuò)誤。所以在工程中，我們實(shí)際上更喜歡特征少的工程和解釋性強(qiáng)的模型來(lái)獲得更好的結(jié)果。我們期待著深學(xué)在未來(lái)科學(xué)技術(shù)的進(jìn)一步發(fā)展。

我將在這里發(fā)表所有關(guān)于算法、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的有趣文章。

編寫(xiě)代碼不容易。如果這篇文章對(duì)你有幫助，請(qǐng)喜歡