初学者数据科学家面临的首要问题之一是了解深度学习和机器学习之间的区别。一般来说,机器学习遍及整个人工智能世界,而深度学习是机器学习的一个子类别。
然而,这并没有给你任何有价值的见解。在本文中,我想更深入地挖掘机器学习和深度学习算法之间的结构差异,以便你了解它们的主要区别是什么以及如何发现它们。
为什么要理解差异?
如果你渴望成为一名更好的数据科学家,那么了解要使用的算法类别非常重要。此外,了解如何对算法进行分类将帮助你将它们放在一个结构中,并使你能够理解它们在主题内容层次结构中的位置。
技术上有什么区别?
实际上,理解这两类算法之间的区别非常简单:它们的架构不同。除非你已经熟悉编程,否则没有一种简单的方法来定义“架构”一词,将其想象为具有算法的所有结构的集合和序列。
这是深度学习架构的图形表示:
![](http://imgtec.eetrend.com/files/2021-07/%E5%8D%9A%E5%AE%A2/100114977-214483-11.png)
相反,机器学习没有任何特征架构。几种不同的算法,具有不同的任务,可以归类为深度学习。
深度学习有两层或多层神经元。因此,所有使用神经网络架构构建的算法都被归类为深度学习。所有其他算法都归类为机器学习。
![](http://imgtec.eetrend.com/files/2021-07/%E5%8D%9A%E5%AE%A2/100114977-214484-12.png)
算法混合
实际上,有些算法可以解决机器学习解决的相同任务,例如回归或分类问题,但具有部分或整体架构。一些例子是多层感知器,它只使用深度学习来解决回归和分类问题,还有支持向量机,它部分使用神经层来解决分类问题。
如何轻松分辨?
就我个人而言,这就是我轻松对它们进行分类的方式。首先,我确定我可以使用机器学习解决哪些任务:
- 回归
- 分类
- 聚类
- 降维
- 协会
如果我使用的算法正在解决这些任务之一并且没有任何神经层,那么它就是机器学习。如果它的架构有一个神经层(有一些额外的任务只能通过像生成对抗网络这样的神经网络才能解决)可以归类为深度学习。
本文转载来自:https://pub.towardsai.net/machine-learning-vs-deep-learning-783a87e00126
作者:Michelangiolo Mazzeschi