机器学习和深度学习是怎么一回事？Faizan Shaikh来帮你解答

问题解决筹划

当应用传统机械进修办法解决问题时，经常采取化整为零，分别解决，再归并结不雅求解的策略。而深度进修主意end-to-end模型，输入练习数据，直接输出最终结不雅，让收集本身进修若何提取关键特点。

比如说你要进行目标检测，须要辨认出目标的类别并指出在图中的地位。

典范机械进修办法将这个问题分为两步：目标检测与目标辨认。起首，应用边框检陈技巧，如grabcut，扫描全图找到所有可能的对象，对这些对象应用目标辨认算法，如HOG/SVM，辨认出相干物体。

深度进修办法按照end-to-end方法处理这个问题，比如YOLO net经由过程卷积神经收集，就可以或许实现目标的定位与辨认。也就是原始图像输入到卷积神经收集中，直接输出图像中目标的地位和类别。

履行时光

平日，深度进修须要很长时光练习，因为深度进修中很多参数都须要远超正常程度的时光练习。ResNet大年夜概须要两周时光大年夜零开端完成练习，而机械进修只须要大年夜几秒到几小时不等的练习时光。测试所须要的时光就完全相反，深度进修算法运行须要很少的时光。然而，和KNN（K近邻，一种机械进修算法）比拟，测试时光会跟着测试数据量的增长而增长。不过并非所有的机械进修算法都须要很长时光，某些也只须要很少的测试时光。

可解释性

假定应用深度进修给文┞仿主动评分，你会发明机能会很不错，并且接军人类评分水准。但它不克不及解释为什么给出如许的分数。在运行过程中，你可以发明深度神经收集的哪些节点被激活，但你不知道这些神经元是对什么进行建模以及这每层在干什么，所以无法解释结不雅。

另一方面，机械学习算法如决定计划树按照规矩明白解释每一步做出选择的原因，是以像决定计划树和线性/逻辑斯蒂回归这类算法因为可解释性优胜，在工业界应用很广泛。

机械进修和深度进修应用处景

Wiki膳绫擎介绍了一些机械进修的应用范畴：

1. 计算机视觉：如车商标辨认，人脸辨认；

2. 信息检索：如搜刮引擎，文本检索，图像检索；

3. 营销：主动邮件营销，目标辨认；

我们可以画一条简单的直线来根据身高猜测体重，比如：

4. 医疗诊断：癌症诊断，异常检测；

5. 天然说话处理：语义分析，照片标记；

6. 在线告白，等等。