深度學(xué)習(xí)和普通的機(jī)器學(xué)習(xí)有什么區(qū)別？一張圖片顯示了這種關(guān)系。機(jī)器學(xué)習(xí)是人工智能的重要領(lǐng)域之一，而深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支。深度學(xué)習(xí)之所以近年來流行起來，是因?yàn)樗黄屏藗鹘y(tǒng)機(jī)器學(xué)習(xí)無(wú)法解決的一些問題

深度學(xué)習(xí)和普通的機(jī)器學(xué)習(xí)有什么區(qū)別？

一張圖片顯示了這種關(guān)系。機(jī)器學(xué)習(xí)是人工智能的重要領(lǐng)域之一，而深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支。深度學(xué)習(xí)之所以近年來流行起來，是因?yàn)樗黄屏藗鹘y(tǒng)機(jī)器學(xué)習(xí)無(wú)法解決的一些問題。

機(jī)器學(xué)習(xí)的意義在于代替人工完成重復(fù)性工作，識(shí)別出統(tǒng)一的規(guī)則（模式）。但是對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)來說，特征提取的難度不小（特征可以是像素、位置、方向等）。特征的準(zhǔn)確性將在很大程度上決定大多數(shù)機(jī)器學(xué)習(xí)算法的性能。為了使特征準(zhǔn)確，在特征工程部分需要大量的人力來調(diào)整和改進(jìn)特征。完成這一系列工作的前提是，數(shù)據(jù)集中所包含的信息量是充分的，并且易于識(shí)別。如果不滿足這一前提，傳統(tǒng)的機(jī)器學(xué)習(xí)算法將在信息的雜亂中失去其性能。深度學(xué)習(xí)的應(yīng)用正是基于這個(gè)問題。它的深層神經(jīng)網(wǎng)絡(luò)使它能夠在雜波中學(xué)習(xí)，自動(dòng)發(fā)現(xiàn)與任務(wù)相關(guān)的特征（可以看作是自發(fā)學(xué)習(xí)的特征工程），并提取高級(jí)特征，從而大大減少了特征工程部分任務(wù)所花費(fèi)的時(shí)間。

另一個(gè)明顯的區(qū)別是他們對(duì)數(shù)據(jù)集大小的偏好。傳統(tǒng)的機(jī)器學(xué)習(xí)在處理規(guī)則完備的小規(guī)模數(shù)據(jù)時(shí)表現(xiàn)出良好的性能，而深度學(xué)習(xí)則表現(xiàn)不好。隨著數(shù)據(jù)集規(guī)模的不斷擴(kuò)大，深度學(xué)習(xí)的效果會(huì)逐漸顯現(xiàn)出來，并變得越來越好。對(duì)比如下圖所示。

knn分類算法如何返回位置點(diǎn)？

KNN是一種聚類算法

分類和聚類的區(qū)別在于輸出是否有標(biāo)記

例如，如果輸出是apple或banana，則為classification

如果輸出為all apple，只有這堆蘋果的屬性不同才是聚類

分類：KNN（k-最近鄰）訓(xùn)練階段：記住所有點(diǎn)測(cè)試階段：計(jì)算新添加的點(diǎn)a與原始數(shù)據(jù)中每個(gè)點(diǎn)之間的歐氏距離預(yù)測(cè)：找到最接近點(diǎn)a的k點(diǎn)，查看k點(diǎn)屬于哪個(gè)類，然后將a點(diǎn)分類為哪個(gè)類。缺點(diǎn)：測(cè)試階段時(shí)間太長(zhǎng)，支持向量機(jī)（SVM）和KNN有很大的不同，但這兩種損失函數(shù)的目的是增加對(duì)分類影響較大的數(shù)據(jù)點(diǎn)的權(quán)重，減少與分類關(guān)系較小的數(shù)據(jù)點(diǎn)的權(quán)重。支持向量機(jī)是稀疏的，因?yàn)樗ㄟ^支持向量機(jī)。Logistic回歸通過使用權(quán)重來降低異常值的權(quán)重。

k-means和knn算法的區(qū)別？

KNN通過測(cè)量不同特征值之間的距離進(jìn)行分類。其思想是：如果特征空間中k個(gè)最相似的樣本大部分屬于某一類別，那么該樣本也屬于該類別。優(yōu)點(diǎn)：①訓(xùn)練時(shí)間復(fù)雜度低于支持向量機(jī)等算法，僅為O（n）

②與樸素貝葉斯等算法相比，它對(duì)數(shù)據(jù)無(wú)假設(shè)，精度高，對(duì)異常值不敏感

③KNN主要依賴于周圍有限的相鄰樣本，而不是孤立樣本識(shí)別類域以確定類別的方法。因此，KNN方法比其他方法更適合于具有更多重疊或重疊類域的樣本集。它存在以下缺點(diǎn)：（1）計(jì)算復(fù)雜度高；空間復(fù)雜度高；（2）樣本不平衡時(shí)稀有類預(yù)測(cè)精度低；（3）樣本不平衡時(shí)稀有類預(yù)測(cè)精度低解釋性差，無(wú)法給出決策樹等規(guī)則。