文档介绍：机器学****与深度学****的区别2016是人工智能爆发的一年,各种层出不穷的新技术、新概念让人眼花缭乱。很多人都分不清人工智能(ArtificialIntelligence,简称AI)、机器学****MachineLearning,简称ML)以及深度学****DeepLearning,简称DL)概念之间的不同。本文为理解机器学****和深度学****提供了不同的视角。由于AI的大热,媒体上关于AI的文章狂轰乱炸,人工智能似乎已经成为游戏的改变者,企业们也纷纷下注。对于AI领域的从业者来说,人工智能、机器学****和深度学****之间的差别应该非常清楚。人工智能是一个大概念,从有效的老式人工智能(GOFAI)到联结主义结构,无所不包。而机器学****则是人工智能领域的一个小分支,如果说AI是一个合集,那么ML就是AI的子集。任何通过数据训练的学****算法的相关研究都属于机器学****包括很多已经发展多年的技术,比如线性回归(LinearRegression)、K均值(K-means,基于原型的目标函数聚类方法)、决策树(DecisionTrees,运用概率分析的一种图解法)、随机森林(RandomForest,运用概率分析的一种图解法)、PCA(ponentAnalysis,主成分分析)、SVM(SupportVectorMachine,支持向量机)以及ANN(works,人工神经网络)。而人工神经网络则是深度学****的起源。一些之前接触过人工神经网络的机器学****从业者对深度学****的第一印象很可能是:这不过就是多层结构的人工神经网络而已。此外,深度学****成功的主要原因是大量可用的数据以及像GPU这样更强大的计算引擎的出现。这当然是事实,深度学****的出现基本要归因于这两方面的进展。但是,如果就此下结论说深度学****不过是比支持向量机或者决策树更好的算法而已,那就真的是一叶障目,不见泰山了。借用Andreesen的话“软件正在占领全世界”,那么深度学****就正在取代机器学****两篇来自不同机器学****领域的从业者很好的解释了为什么深度学****正在占领全世界。神经语言程序学(NLP)的专家ChrisManning这样形容“深度学****海啸”:深度学****的浪潮在几年前就已经抵达计算语言学的海岸,但是2015似乎是这场海啸全面冲击各大自然语言处理(NLP)会议的一年。一些专家预言,最终的冲击将会更大。NicholasParagios则写了一篇名为“计算机视觉研究:大萧条”的文章,以下是文章节选:在高度复杂以及很大程度由图片的自由度决定的问题上,深度学****一旦被赋予大量被标记的数据以及不可想象(直到最近)的计算能力,就能解决所有的计算机视觉问题。如果是这样的话,那么深度学****占领业界,计算机视觉研究成为边缘学科并走上计算机图形的老路(学术研究的活跃度和数量)将只是时间问题。这两篇文章都强调了深度学****相对机器学****是有颠覆性的意义的。当然,深度学****在商用领域也具备同样的颠覆性。但是让人震惊和困惑的是,就连Gartner也没能分清机器学****和深度学****之间的差别。这里是Gartner于2016年8月份发布的发展规律周期图(HyperCycle),深度学****甚至没有被提及:尽管被Gartner忽视了,深度学****依然持续火热。目前对深度学****的炒作主要是:我们已经拥有了可以商用的机器,只要给它们足够多的数据和足够长的时间,它们就能够自己学****这要么是夸大了深度学****的现有技术水