image.png
via The Difference Between AI, Machine Learning, and Deep Learning? | NVIDIA Blog
Nvidia 博客上的这张图很好表示了 AI, Machine Learning, Deep Learning 三者的关系。人工智能是一类非常广泛的问题,机器学习是其中一个重要领域和手段,深度学习则是机器学习的一个分支。在很多人工智能问题上,深度学习的方法突破了传统机器学习的瓶颈,因而影响力迅速扩大。

什么是机器学习?

DL笔记:机器学习和深度学习的区别 - 图2
00 试着翻出一些机器学习相对权威的定义,看看它们有什么共同点:

Definition Translation Source Key words
The field of machine learning is concerned with the question of how to construct computer programs that automatically improve with experience. 机器学习聚焦于一个问题:如何构建随着经验而自动改进的计算机程序。 Tom Mitchell in Machine Learning 会自我改进的程序
Vast amounts of data are being generated in many fields, and the statisticians’s job is to make sense of it all: to extract important patterns and trends, and to understand “what the data says”. We call this learning from data. 从数据中提取重要的模式和规律/趋势 The Elements of Statistical Learning: Data Mining, Inference, and Prediction 模式提取
Pattern recognition has its origins in engineering, whereas machine learning grew out of computer science. However, these activities can be viewed as two facets of the same field… 模式识别和机器学习是一体两面 Bishop in Pattern Recognition and Machine Learning 模式识别
Machine Learning is the training of a model from data that generalizes a decision against a performance measure. 机器学习是通过用于决策的数据去训练模型,并达到某些运行标准 Jason Brownlee
in What is Machine Learning: A Tour of Authoritative Definitions and a Handy One-Liner You Can Use
通过数据训练模型

简单来说,就是机器通过一系列「任务」从「经验」(数据)中学习,并且评估「效果」如何:
DL笔记:机器学习和深度学习的区别 - 图3
为什么叫做「学习」呢?一般编程语言的做法,是定义每一步指令,逐一执行并最终达到目标。而机器学习则相反,先定义好输出,然后程序自动「学习」出达到目标的「步骤」。
机器学习可以分为:

  • 监督学习:给出定义好的标签,程序「学习」标签和数据之间的映射关系
  • 非监督学习:没有标签的数据集
  • 强化学习:达到目标会有正向反馈

机器学习擅长做什么?

当然是替代重复的人工劳动,用机器自动从大量数据中识别模式——也就是「套路」啦。知道「套路」后,我们可以干嘛呢?

  • Classification 分类,如垃圾邮件识别(detection, ranking)
  • Regression 回归,例如股市预测
  • Clustering 聚类,如 iPhoto 按人分组
  • Rule Extraction 规则提取,如数据挖掘

比如垃圾邮件识别的问题,做法是先从每一封邮件中抽取出对识别结果可能有影响的因素(称为特征 feature),比如发件地址、邮件标题、收件人数量等等。然后使用算法去训练数据中每个特征和预测结果的相关度,最终得到可以预测结果的特征。
算法再强大,如果无法从数据中「学习到」更好的特征表达,也是徒劳。同样的数据,使用不同的表达方法,可能会极大影响问题的难度。一旦解决了数据表达和特征提取问题,很多人工智能任务也就迎刃而解。

为什么需要深度学习?

但是对机器学习来说,特征提取并不简单。特征工程往往需要人工投入大量时间去研究和调整,就好像原本应该机器解决的问题,却需要人一直在旁边搀扶。
深度学习便是解决特征提取问题的一个机器学习分支。它可以自动学习特征和任务之间的关联,还能从简单特征中提取复杂的特征。
DL笔记:机器学习和深度学习的区别 - 图4

Ref

原文链接 https://www.uegeek.com/171206DLNote1-ML-DL-Basic.html