深度學習與機器學習的區別
阿新 • • 發佈:2021-07-22
特徵提取方面
二者輸入輸出是一樣的,都是判斷是不是汽車,機器學習需要通過特徵提取 然後再放到分類器中,進行一些演算法 再輸出,而深度學習就沒有特徵提取這一步,而是直接將特徵值放進神經網路,讓他去做,他就能做,分類什麼的。。。
●機器學習的特徵工程步驟是要靠手動完成的,而且需要大量領域專業知識
●深度學習通常由多個層組成,它們通常將更簡單的模型組合在-起,將資料從一層傳遞到另一層來構建更復雜的模型。通過訓練大量資料自動得出模型,不需要人工特徵提取環節。
深度學習演算法試圖從資料中學習高階功能,這是深度學習的一個非常獨特的部分。因此,減少了為每個問題開發新特徵提取器的任務。適合用在難提取特徵的影象、語音、自然語言處理領域。
資料量和計算效能要求
機器學習需要的執行時間遠少於深度學習,深度學習引數往往很龐大,需要通過大量資料的多次優化來訓練引數。
橫座標是資料量縱座標是效能。可以看到,當資料量越大時,機器學習就很平靜,到了某一個地方效能就不會提升,而深度學習資料量越大效能越好。
第一、深度學習需要大量的訓練資料集
第二、訓練深度神經網路需要大量的算力
可能要花費數天、甚至數週的時間,才能使用數百萬張影象的資料集訓練出一個深度網路。所以深度學習通常
●需要強大的GPU伺服器來進行計算
●全面管理的分散式訓練與預測服務
演算法代表
機器學習:
- 樸素貝葉斯、決策樹等
深度學習:
- 神經網路