机器学习vs深度学习
Contents
起源
深度学习可以认为是机器学习里的一个分支,但是随着其发展,前者越来越独立,或者说,可以被认为是一个新的领域。
二者有着共同之处。概括的来说,二者都是在教计算机如何学习。二者的不同之处可以这样想:机器学习可解释,深度学习不可解释。
并且,随着深度学习发展,人们又给了它一个新的名号:人工智能。
机器学习
机器学习更多的依赖于概率论、最优化方法,研究如何从现有的数据,利用进行模式发掘,也就是所谓的模式识别。
机器学习的一些经典例子有:
- 线性回归,广义的线性回归(GLM),岭回归(L2正则化)
- SVM,经典中的经典
- EM算法,高斯混合模型
- 多层感知机,层数较小
- PCA变换
- 贝叶斯的概率图模型
- 高斯判别模型
- 马尔科夫链,马尔科夫随机场
- 蒙特卡洛采样
- 聚类算法
- 遗传算法,模拟退火等优化算法
也可以看出,机器学习对信息论、概率论、矩阵、随机过程等有着较高的要求,因此也有人说机器学习就是统计学。
深度学习
与机器学习比起来,这个后来居上的深度学习似乎更加简单一些,尤其是随着一批深度学习框架的推出,例如caffe, pytorch, tensorflow, mxnet
等等。
深度学习可以根据任务要求分为以下几个方面:
- 图像:
- 场景分类,即给定图像,判定场景。例如给出不同的天气图片,判断是何种天气
- 目标识别,将图像中特定的对象识别并给出其位置
- 人脸识别,非常火
- 目标跟踪,给出连续的视频帧,跟踪给定目标的移动。根据目标数量多少,又可以分为单目标和多目标
- 风格迁移,也就是GAN,生成式对抗网络
- 语义分割,FCN流派
- 语音:
- 语音转文字
- 文字:
- 对话,比如说小爱同学
- 翻译,Google翻译
- 运动:
- 强化学习,控制机器人移动等
- 混合:
- 看图说话
- 根据文字生产图片
此外根据网络结构不同还可以分为CNN,RNN等等。