深度学习和机器学习:有什么区别?

了解最新的进展人工智能(AI)可能看起来难以接受，但如果它正在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:机器学习而且深度学习。

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如何识别照片中谁的脸。

机器学习和深度学习通常看起来是可以互换的流行语，但它们之间存在差异。那么，主导人工智能对话的这两个概念究竟是什么?它们有何不同?往下读吧。

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。为了让这项服务决定向听众推荐哪些新歌或艺术家，机器学习算法将听众的喜好与其他有相似音乐品味的听众联系起来。这种技术通常被简单地吹捧为人工智能，用于许多提供自动推荐的服务。

机器学习涉及到大量复杂的数学和编码，在一天结束时，它所起的机械功能与手电筒、汽车或电脑屏幕所起的作用相同。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函数，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，它就会打开，它会识别包含“天黑”这个词的不同短语。

机器学习为各种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——这一点它们做得很好。

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?

深度学习模型被设计用来持续分析数据，其逻辑结构类似于人类得出结论的方式。为了完成这一分析，深度学习应用程序使用了一种分层结构的算法人工神经网络．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，这导致了一种学习系统，其能力远远超过标准的机器学习模型。

要确保深度学习模型不会得出错误的结论是一个棘手的前景——就像其他人工智能的例子一样，它需要大量的训练才能使学习过程正确。但当它按预期工作时，函数式深度学习通常被视为科学奇迹，许多人认为它是真正人工智能的支柱。

深度学习的一个强有力的例子是谷歌的AlphaGo．谷歌创建了一个带有自己神经网络的计算机程序，学习下抽象的棋盘游戏围棋，这种游戏以需要敏锐的智力和直觉而闻名。通过与职业围棋选手对弈，AlphaGo的深度学习模型学会了如何以人工智能从未见过的水平下棋，而且没有被告知应该在什么时候走特定的一步棋(这是标准机器学习模型所要求的)。

当AlphaGo击败多位世界知名的围棋“大师”时，引起了不小的轰动，它不仅能够掌握复杂的技术和抽象的游戏方面，而且还成为了最伟大的棋手之一。这是一场人类智能和人工智能的较量，后者胜出。

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的类型或一种鸟的种类。这种图像分类是由深度神经网络提供动力的。深度学习也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，并且以类似的方式工作(因此这两个术语有时会被松散地互换)。然而，它的能力是不同的。

虽然基本的机器学习模型在接收新数据时确实会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不准确的预测，那么工程师就必须介入并进行调整。通过深度学习模型，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。随着它继续学习，当它听到任何包含特定单词的短语时，它最终可能会执行该任务。但是，如果手电筒有一个深度学习模型，它就可以在“我看不见”或“灯开关不工作”的提示下发现它应该打开，也许还可以与光传感器一起工作。

深度学习模型能够通过自己的计算方法进行学习，这种技术使它看起来像拥有自己的大脑。

回顾一下,机器学习和深度学习之间的关键区别是:

• 机器学习使用算法来解析数据，从数据中学习，并根据所学知识做出明智的决定。
• 深度学习将算法分层构建，创建一个“人工神经网络”，可以自主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，但深度学习是最接近人类的人工智能的动力。

机器学习有哪些不同类型?

为了更深入地研究，让我们看看三种主要的机器学习类型，以及它们之间的区别。

深度学习算法有哪些不同类型?

机器学习可以让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，深度神经网络是模仿人脑的，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模型。

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而设计的算法。“卷积”是一种独特的过滤图像的过程，以评估图像中的每个元素。

cnn通常用于供电计算机视觉这是一个教机器如何处理视觉世界的人工智能领域。人脸识别技术是计算机视觉的常用应用。

循环神经网络

循环神经网络(rnn)有内置的反馈循环，允许算法“记住”过去的数据点。rnn可以利用对过去事件的记忆来了解当前事件，甚至预测未来。

当深度神经网络拥有这种层次的上下文时，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”交通状况何时会变得更糟。然后，当你即将陷入交通高峰时，它可以利用这些知识为你推荐一条备用路线。

数据是未来的燃料

用大量的新数据在当前的“大数据时代”下，我们一定会看到我们甚至还无法想象的创新。根据数据科学专家的说法，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，也是谷歌大脑计划的领导者之一，他分享了一个关于深度学习模型的很好的类比《连线》杂志：

“我认为人工智能类似于建造一艘火箭飞船——你需要一个巨大的发动机和大量的燃料。”他告诉《连线》杂志记者凯莱布·加林．“如果你有一个大引擎和少量燃料，你就无法进入轨道。如果你有一个很小的引擎和一吨的燃料，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。与深度学习类似的是，火箭发动机是深度学习模型，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，客户服务中的许多人工智能应用都利用了机器学习算法。它们是用来开车的自助服务，提高代理生产力，使工作流程更加可靠。

输入这些算法的数据来自源源不断的客户查询，包括买家所面临问题的相关背景。反过来，将所有这些信息聚合到一个人工智能应用程序中，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被用于支持自然语言处理(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CX领域，亚马逊Alexa和苹果Siri是“虚拟代理”的两个很好的例子，它们可以使用语音识别来回答消费者的问题。

人工智能客服聊天机器人同样的学习方法也适用于打字。一个很好的现实例子是Zendesk的人工智能聊天机器人，亚博回答机器人，它结合了一个深度学习模型来理解支持单的上下文，并学习应该向客户建议哪些帮助文章。