機器學習與深度學習有什么異同？深度學習和一般機器學習的區(qū)別是什么1:一般機器學習一般指決策樹、邏輯回歸、支持向量機、xgboost等，深度學習的主要特點是使用深度神經(jīng)網(wǎng)絡：深度卷積網(wǎng)絡、深度循環(huán)網(wǎng)絡，

機器學習與深度學習有什么異同？

深度學習和一般機器學習的區(qū)別是什么

1:一般機器學習一般指決策樹、邏輯回歸、支持向量機、xgboost等，深度學習的主要特點是使用深度神經(jīng)網(wǎng)絡：深度卷積網(wǎng)絡、深度循環(huán)網(wǎng)絡，遞歸網(wǎng)絡等。算法在層次上沒有相似性。很難說相似性可能是每個人的函數(shù)都要擬合的高維函數(shù)。 ] ]2:一般機器學習在分析低維和可解釋的任務時表現(xiàn)更好。例如，數(shù)據(jù)挖掘和推薦算法。它們的特點是，總體而言，所收集的數(shù)據(jù)維數(shù)不高。以廣告推送任務為例，一般分析的數(shù)據(jù)維度僅包括性別、年齡、學歷、職業(yè)等，參數(shù)調(diào)整方向明確。

3：深度學習算法擅長分析高維數(shù)據(jù)。例如，圖像、聲音等。例如，圖像可以具有千萬像素，相當于千萬特征向量維，并且像素之間的關系不是特別明顯。在這種情況下，卷積神經(jīng)網(wǎng)絡能夠有效地處理這一問題，基本上能夠非常準確地掌握圖像的特征。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)元個數(shù)、隱層個數(shù)等）。綜上所述，兩者其實有很大的不同。近年來，深度學習得到了發(fā)展。傳統(tǒng)的機器學習算法大多來源于概率論和信息學。在編程方面，傳統(tǒng)的機器學習模型基本上集成到sklearn包中。對于深度學習，可以使用tensorflow作為框架。對于傳統(tǒng)機器學習的詳細理解，可以從李航的統(tǒng)計原理或周志華的機器學習（又稱西瓜書）中看到。由于近兩年關于深度學習的書籍很少，我們可以參考近兩年關于深度學習的論文。當然，他們都需要堅實的數(shù)學基礎，主要是三本書：線性代數(shù)或高等代數(shù)，高等數(shù)學或數(shù)學分析，概率論或隨機過程

標準定義：任務及其性能過程的測量方法機器學習是利用經(jīng)驗數(shù)據(jù)給出一種特定的算法來提高任務的性能。

簡單定義：

舉個簡單的例子：出租車司機開車送你從上海到北京。在這里，“任務”是從上海到北京，“表現(xiàn)過程”是從上海到北京的不同道路，“經(jīng)驗數(shù)據(jù)”是每一條可以走的道路。在此基礎上，設計了一種算法，利用實證數(shù)據(jù)建立“上海哪條路走”模型，提高北京的速度效應。

為了通過使用經(jīng)驗數(shù)據(jù)改進性能過程，最流行的方法是“誤差反向傳播”。該方法的核心思想是：讓機器自由試錯，然后根據(jù)試錯結果與樣本真實結果之間的誤差調(diào)整試錯策略。對誤差較小的嘗試進行獎勵，對誤差較大的嘗試進行懲罰，然后在一個周期內(nèi)進行試驗，直到所有樣本的學習結果達到我們定義的最佳性能。

通過“誤差反向傳播”算法，機器將探索越來越多的上海到北京的道路，并以越來越快的速度找到最佳道路，這與老司機在多次駕駛后得到最佳選擇基本相同。

人與機器之間的差距也將反映在這里。當從上海到北京有很多路的時候，人們不可能總是像機器那樣探索道路。對于機器的數(shù)據(jù)處理能力來說，這樣的數(shù)據(jù)量可能是幾分鐘內(nèi)的最佳選擇

當然，人們可以找到一種新的方法。新手可以一路詢問老司機，而不是一路反復探索。