机器学习vs深度学习

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。

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。