深度学习与机器学习:有什么区别?

了解最新的进展人工智能(AI)可能看起来势不可挡，但如果是学习你感兴趣的基础知识，你可以将许多人工智能创新归结为两个概念:机器学习和深度学习。

机器学习和深度学习的例子随处可见。它使自动驾驶汽车成为现实，Netflix如何知道你接下来想看哪部剧，Facebook如何识别照片中是谁的脸。

机器学习和深度学习经常看起来像是可以互换的流行语，但它们之间存在差异。那么，这两个主导人工智能对话的概念究竟是什么，它们有何不同?继续往下读，找出答案吧。

深度学习vs.机器学习

理解机器学习和深度学习之间的区别的第一步是认识到这一点深度学习是机器学习．

更具体地说，深度学习被认为是机器学习的进化。它使用可编程神经网络，使机器能够在没有人类帮助的情况下做出准确的决定。

但首先，让我们先定义一下机器学习。

机器学习是如何工作的?

机器学习算法的一个简单例子是点播音乐流媒体服务。为了让该服务决定向听众推荐哪些新歌或艺术家，机器学习算法会将听众的偏好与具有相似音乐品味的其他听众联系起来。这种技术通常被简单地称为人工智能，被用于许多提供自动推荐的服务中。

机器学习涉及大量复杂的数学和编码，归根结底，它的机械功能与手电筒、汽车或电脑屏幕的功能相同。当我们说某物能够“机器学习”时，它的意思是它使用给定的数据执行功能，并随着时间的推移逐渐变得更好。这就像你有一个手电筒，每当你说“天黑了”时，它就会识别出包含“黑暗”这个词的不同短语。

机器学习为各种各样的自动执行的任务这涉及多个行业，从追踪恶意软件的数据安全公司，到希望获得有利交易警报的金融专业人士。人工智能算法被编程为以一种模拟虚拟个人助理的方式不断学习——在这方面它们做得很好。

机器学习新技巧的方式真的当我们开始谈论深度学习和深度神经网络时，这很有趣(也很令人兴奋)。

深度学习是如何工作的?

深度学习模型旨在以类似于人类如何得出结论的逻辑结构持续分析数据。为了完成这种分析，深度学习应用程序使用了一种称为an的分层算法结构人工神经网络．人工神经网络的设计灵感来自于人类大脑中神经元的生物网络，这导致了一个比标准机器学习模型更有能力的学习系统。

要确保深度学习模型不会得出错误的结论是一个棘手的问题——就像其他人工智能的例子一样，它需要大量的训练来获得正确的学习过程。但是，当功能深度学习按照预期工作时，它通常会被视为一个科学奇迹，许多人认为它是真正的人工智能的支柱。

深度学习的一个强有力的例子是谷歌的AlphaGo．谷歌用自己的神经网络创建了一个计算机程序，该程序学会了玩抽象的棋盘游戏围棋。众所周知，围棋需要敏锐的智力和直觉。通过与专业围棋选手对弈，AlphaGo的深度学习模型学会了如何在人工智能领域达到前所未有的水平，而且在没有被告知何时应该采取具体行动(这是标准机器学习模型所要求的)的情况下做到了这一点。

当AlphaGo击败多位世界知名的围棋“大师”时，它引起了不小的轰动——一台机器不仅掌握了复杂的技术和游戏的抽象方面，而且还成为了最伟大的棋手之一。这是一场人类智能与人工智能的较量，而人工智能最终胜出。

对于更实际的用例，想象一个图像识别应用程序，可以根据照片识别一种花或一种鸟。这种图像分类是由深度神经网络驱动的。深度学习还指导语音识别和翻译字面上的驾驶自动驾驶汽车。

机器学习和深度学习的区别

实际上，深度学习只是机器学习的一个子集。事实上，深度学习是机器学习，并且以类似的方式发挥作用(因此这两个术语有时会松散地互换)。然而，它的功能是不同的。

虽然基本的机器学习模型在接受新数据时，确实在执行特定功能方面变得越来越好，但它们仍然需要一些人为干预。如果人工智能算法返回了一个不准确的预测，那么工程师就必须介入并进行调整。使用深度学习模型，算法可以通过自己的神经网络确定预测是否准确，不需要人工帮助。

让我们回到手电筒的例子:当它识别到有人说“黑暗”这个词的声音提示时，它可以被编程打开。当它继续学习时，当它听到任何包含特定单词的短语时，它可能最终会执行该任务。但如果手电筒有一个深度学习模型，它就可以在“我看不见”或“灯开关坏了”的提示下发现它应该打开，也许还可以与光传感器协同工作。

深度学习模型能够通过自己的计算方法来学习——这种技术使它看起来像有自己的大脑。

回顾一下,机器学习和深度学习的主要区别是:

• 机器学习使用算法解析数据，从数据中学习，并根据所学内容做出明智的决策。
• 深度学习将算法分层构建，以创建一个“人工神经网络”，该网络可以自己学习并做出智能决策。
• 深度学习是机器学习的一个子集。虽然两者都属于人工智能的广泛范畴，但深度学习是最像人类的人工智能的动力。

机器学习有哪些不同类型?

为了更深入地了解这些问题，让我们来看看机器学习的三种主要类型以及它们之间的区别。

有哪些不同类型的深度学习算法?

机器学习可以使计算机完成非凡的任务，但它们仍然无法复制人类的智能。另一方面，深度神经网络以人脑为模型，代表了更复杂的人工智能水平。

有几种不同类型的深度学习算法。我们将研究最流行的型号。

卷积神经网络

卷积神经网络(cnn)是专门为图像处理和目标检测设计的算法。“卷积”是一个独特的过程，通过过滤图像来评估其中的每个元素。

cnn经常被用来发电计算机视觉这是一个人工智能领域，教机器如何处理视觉世界。面部识别技术是计算机视觉的一种常用技术。

循环神经网络

循环神经网络(rnn)有内置的反馈回路，允许算法“记住”过去的数据点。rnn可以利用这种对过去事件的记忆来告知他们对当前事件的理解，甚至预测未来。

当深度神经网络具有这种水平的背景时，它可以更好地“思考”。例如，由RNN驱动的地图应用程序可以“记住”交通状况何时趋于恶化。然后，当你即将陷入交通高峰时，它可以利用这些信息为你推荐一条替代路线。

数据是未来的燃料

大量的新数据由当前的“大数据时代”产生，我们一定会看到我们甚至无法想象的创新。据数据科学专家称，其中一些突破可能是深度学习应用。

吴恩达是中国主要搜索引擎百度的前首席科学家，也是谷歌大脑项目的领导者之一，他分享了一个关于深度学习模型的很好的类比《连线》杂志：

“我认为人工智能就像建造一艘火箭飞船——你需要一个巨大的引擎和大量的燃料。”他告诉《连线》杂志记者迦勒·加林．“如果你有一个大引擎和少量燃料，你将无法进入轨道。如果你有一个小引擎和一吨燃料，你甚至不能起飞。要制造一枚火箭，你需要一个巨大的发动机和大量的燃料。与深度学习的类比是，火箭发动机是深度学习模型，而燃料是我们可以提供给这些算法的大量数据。”

机器学习和深度学习对客户服务意味着什么

如今，许多客户服务领域的人工智能应用都利用了机器学习算法。他们习惯开车自助服务，提高代理效率，使工作流程更加可靠。

输入这些算法的数据来自不断变化的客户查询，包括买家面临的问题的相关背景。将所有这些信息聚合到一个人工智能应用程序中，反过来又会导致更快、更准确的预测。这使得人工智能成为许多企业令人兴奋的前景，行业领导者推测，与商业相关的人工智能最实际的用例将是客户服务。

例如，机器学习和深度学习都用于驱动自然语言处理(NLP)，这是计算机科学的一个分支，允许计算机理解文本和语音。在客户体验领域，亚马逊的Alexa和苹果的Siri是两个很好的“虚拟代理”例子，它们可以使用语音识别来回答消费者的问题。

人工智能客户服务机器人也使用相同的学习方法来响应输入的文本。Zendesk的Advanced bots就是一个很好的例子亚博。这是用于消息传递和电子邮件的增强机器人，利用最广泛的客户意图数据库，特定于您所在行业的客户体验团队，以获得更个性化和准确的响应，更高的座席生产力和更快的设置。

了解更多关于我们的bot构建工具．