如今，人工智能的應(yīng)用越來越廣泛。機器學(xué)習(xí)和深度學(xué)習(xí)這兩個術(shù)語也隨之出現(xiàn)，而機器學(xué)習(xí)與深度學(xué)習(xí)并不是非此即彼的排斥關(guān)系。深度學(xué)習(xí)是機器學(xué)習(xí)的一個子集，而這兩者都是人工智能(AI)的子集。

如今，人工智能的應(yīng)用越來越廣泛。機器學(xué)習(xí)和深度學(xué)習(xí)這兩個術(shù)語也隨之出現(xiàn)，而機器學(xué)習(xí)與深度學(xué)習(xí)并不是非此即彼的排斥關(guān)系。深度學(xué)習(xí)是機器學(xué)習(xí)的一個子集，而這兩者都是人工智能(AI)的子集。但是，在機器學(xué)習(xí)和深度學(xué)習(xí)的定義和用例方面，市場上還存在很多混淆之處，所以在此進行一下澄清：

?人工智能(AI)是在計算機系統(tǒng)和機器中模擬和模仿人類智能行為的研究。

?機器學(xué)習(xí)是人工智能的一個子領(lǐng)域，它使用算法將人工智能的概念應(yīng)用到計算系統(tǒng)中。通過計算機識別，并根據(jù)數(shù)據(jù)模式采取行動。隨著時間的推移，機器學(xué)習(xí)沒有明確的編程來提高其準確性。機器學(xué)習(xí)落后于預(yù)測編碼、聚類和視覺熱圖等分析。

?深度學(xué)習(xí)是機器學(xué)習(xí)的一個子領(lǐng)域，是人工神經(jīng)網(wǎng)絡(luò)的另一個名稱。深度學(xué)習(xí)計算機網(wǎng)絡(luò)模擬人類大腦感知、組織和從數(shù)據(jù)輸入作出決定的方式。

機器學(xué)習(xí)與深度學(xué)習(xí)

事實上，人們對機器學(xué)習(xí)與深度學(xué)習(xí)的想法忽略了“深度學(xué)習(xí)是機器學(xué)習(xí)的一個子集”這一點。人們更有可能在其應(yīng)用程序中使用機器學(xué)習(xí)，而不是深度學(xué)習(xí)。深度學(xué)習(xí)仍然是一個發(fā)展中的技術(shù)，而且如果進行部署，其代價昂貴。但是目前有一些產(chǎn)品已經(jīng)上市，隨著時間的推移，深度學(xué)習(xí)將變得越來越普遍。

以下來看兩者之間的區(qū)別和使用情況：

機器學(xué)習(xí)

作為人工智能的一個子集，機器學(xué)習(xí)使用算法來解析數(shù)據(jù)，從結(jié)果中學(xué)習(xí)，并運用機器學(xué)習(xí)來做出決定或預(yù)測。其示例包括聚類、貝葉斯網(wǎng)絡(luò)和可視化數(shù)據(jù)映射。例如，在電子發(fā)現(xiàn)和合規(guī)性調(diào)查中，熱圖和視覺集群可將圖形搜索結(jié)果呈現(xiàn)給工作人員，他們可以使用結(jié)果深入研究其他模糊的數(shù)據(jù)。

機器學(xué)習(xí)技術(shù)分為兩類：監(jiān)督機器學(xué)習(xí)和無監(jiān)督機器學(xué)習(xí)。監(jiān)督式學(xué)習(xí)取決于人為生成的種子集，教導(dǎo)軟件如何定義數(shù)據(jù)。預(yù)測編碼就是一個很好的例子，該軟件指的是將數(shù)據(jù)模式與相關(guān)百分比匹配的種子集。隨著時間的推移，預(yù)測編碼工具將從正在進行的審閱者反饋中學(xué)習(xí)。

無監(jiān)督機器學(xué)習(xí)依賴于識別數(shù)據(jù)中包含的模式，并將其與其他數(shù)據(jù)或搜索查詢進行比較。機器學(xué)習(xí)算法隨著數(shù)據(jù)集的增長和更多模式的出現(xiàn)而隨時間學(xué)習(xí)。無監(jiān)督機器學(xué)習(xí)包括集群、概念搜索和近似重復(fù)數(shù)據(jù)刪除。

例如，聚類匹配文檔之間相似的文本和元數(shù)據(jù)，并將數(shù)據(jù)呈現(xiàn)在可視化集群中。概念搜索通過識別和匹配概念來擴展基于文本的查詢。通過近似重復(fù)數(shù)據(jù)刪除那些比較類似的數(shù)據(jù)，并根據(jù)相似度排除文檔，而在電子郵件線程中，將孤立的電子郵件鏈接到相應(yīng)的線程。這些分析中的每一個都從其行動中學(xué)習(xí)，以提高性能和準確性。

機器學(xué)習(xí)基礎(chǔ)設(shè)施差異很大，單一系統(tǒng)可以實現(xiàn)有限的集群或網(wǎng)絡(luò)流量報告，而大型系統(tǒng)則包含數(shù)十臺服務(wù)器和大規(guī)模并行處理(MPP)架構(gòu)，以便跨多個數(shù)據(jù)源處理海量數(shù)據(jù)。

深度學(xué)習(xí)

深度學(xué)習(xí)(也稱為人工神經(jīng)網(wǎng)絡(luò))基于所有機器學(xué)習(xí)算法。但是，它并沒有使用數(shù)據(jù)分類等任務(wù)特定的算法。相反，它通過識別來自非結(jié)構(gòu)化輸入的代表性數(shù)據(jù)，并輸出準確的行動和決定來模擬人類的大腦結(jié)構(gòu)和功能。

深度學(xué)習(xí)可以被監(jiān)督或不受監(jiān)督，這意味著大型神經(jīng)網(wǎng)絡(luò)可以接受標記的輸入，但不需要它。學(xué)習(xí)程序教會神經(jīng)網(wǎng)絡(luò)如何構(gòu)建不同的處理層，但是當網(wǎng)絡(luò)處理輸入時，它們根據(jù)數(shù)據(jù)輸入和輸出創(chuàng)建自己的層。這種深度學(xué)習(xí)的水平允許神經(jīng)網(wǎng)絡(luò)自動從原始數(shù)據(jù)中提取特征，而無需額外的人工輸入。

神經(jīng)網(wǎng)絡(luò)由多個簡單連接的處理器(稱為神經(jīng)元)組成，這些神經(jīng)元是為模仿人腦中的神經(jīng)元而創(chuàng)建的數(shù)學(xué)函數(shù)。這些人造神經(jīng)元組成了神經(jīng)網(wǎng)絡(luò)的單元。簡單地說，每個神經(jīng)元接收兩個或更多的輸入，處理它們，并輸出一個結(jié)果。一些神經(jīng)元接收來自外部傳感器的輸入，而另一些神經(jīng)元則被來自其他活動神經(jīng)元的輸入激活。神經(jīng)元可能激活額外的神經(jīng)元，或者可能通過觸發(fā)動作影響外部環(huán)境。所有的活動都是在自創(chuàng)的隱藏層中進行的，每一個連續(xù)的層再輸入前一層的輸出。

實際上，神經(jīng)網(wǎng)絡(luò)攝取非結(jié)構(gòu)化數(shù)據(jù)：聲音、文本、視頻和圖像。網(wǎng)絡(luò)將數(shù)據(jù)分成數(shù)據(jù)塊，并發(fā)送給單獨的神經(jīng)元和層進行處理。一旦這個離散的處理完成，網(wǎng)絡(luò)產(chǎn)生最后的輸出層。

大規(guī)模的可擴展性是神經(jīng)網(wǎng)絡(luò)的關(guān)鍵。神經(jīng)網(wǎng)絡(luò)的性能取決于它可以攝取、訓(xùn)練和處理多少數(shù)據(jù)。數(shù)據(jù)越多意味著效果越好。這是另一個區(qū)別于機器學(xué)習(xí)的地方，其算法通常在一定水平上保持平穩(wěn)。深度學(xué)習(xí)只是通過其計算資源來限制其性能。因此，神經(jīng)網(wǎng)絡(luò)的“深層”部分：計算資源越多，層次越深，輸出越廣泛。盡管深度學(xué)習(xí)不是那么快捷和容易，但較低的計算處理能力卻使研究和發(fā)展發(fā)生了革命性的變化。

機器學(xué)習(xí)和深度學(xué)習(xí)的常用用例

重要的是要記住機器學(xué)習(xí)的用例已經(jīng)出現(xiàn)在市場。深度學(xué)習(xí)的用例主要是現(xiàn)階段的發(fā)展目標，其商業(yè)化程度有限。有一些用例是相似的：區(qū)別在于神經(jīng)網(wǎng)絡(luò)可以增長到接近無限的學(xué)習(xí)和輸出規(guī)模。機器學(xué)習(xí)更受約束，適合具體的實際計算任務(wù)。另外請記住，深度學(xué)習(xí)和機器學(xué)習(xí)不是相互排斥的。

機器學(xué)習(xí)和深度學(xué)習(xí)用例的對比

·營銷：

機器學(xué)習(xí)：合規(guī)性電子郵件和社交媒體的情感分析使用文本提示來提醒情緒狀態(tài)。

深度學(xué)習(xí)：通過情緒分析從照片和視頻中識別實時情緒。其應(yīng)用程序包括基于人類觀察者的情緒反應(yīng)提供動態(tài)內(nèi)容或視覺顯示。

·無人駕駛汽車

機器學(xué)習(xí)：基于傳感器信息的無人駕駛汽車

深度學(xué)習(xí)：基于視覺模式識別的無人駕駛汽車，例如可以立即識別消防栓和行人之間的差異。深度學(xué)習(xí)還可以通過檢測引擎聲音的波形來實現(xiàn)汽車缺陷檢測。

·監(jiān)視分析

機器學(xué)習(xí)：監(jiān)視分析系統(tǒng)是基于規(guī)則的，通過用戶生成的定義和規(guī)則分析饋送。

深度學(xué)習(xí)：這些系統(tǒng)基于行為分析。它觀察詳細的視覺線索，并教導(dǎo)自己哪些行為是觀察對象的正常行為。聯(lián)網(wǎng)的深度學(xué)習(xí)系統(tǒng)也可以識別來自時間和地點不同的照片和視頻的相同面孔。

·生命科學(xué)

機器學(xué)習(xí)：采用醫(yī)療用戶程序算法來識別糖尿病人群中的變量。

深度學(xué)習(xí)：預(yù)測個體患者的風(fēng)險因素。通過識別視覺標記物識別MRI掃描中的癌癥標記物。

·語音識別

機器學(xué)習(xí)：機器學(xué)習(xí)可以使語音識別隨著時間的推移向用戶學(xué)習(xí)。這個過程是一種密集訓(xùn)練，可以達到平均95%的準確性。

深度學(xué)習(xí)：神經(jīng)網(wǎng)絡(luò)處理數(shù)十億個口述音頻片段，將語音識別的準確性提高到接近100%，同時縮短訓(xùn)練時間。語音識別還通過關(guān)鍵詞和主題對原始音頻進行分類，并識別發(fā)言者，這對音頻監(jiān)控技術(shù)發(fā)展具有廣泛的影響。

·娛樂節(jié)目

機器學(xué)習(xí)：大型CGI游戲可以使用機器學(xué)習(xí)來幫助自動實現(xiàn)密集的視覺效果，如插入數(shù)字或可視的巨大的空間爆炸。

深度學(xué)習(xí)：深度學(xué)習(xí)使得媒體和游戲能夠響應(yīng)用戶輸入、動作和/或表情而動態(tài)地繪制動畫。

展望機器學(xué)習(xí)和深度學(xué)習(xí)的未來

人們在日常生活中并不會找到深度學(xué)習(xí)/人工神經(jīng)網(wǎng)絡(luò)的例子。他們普遍需要大量的標記數(shù)據(jù)進行監(jiān)督學(xué)習(xí)，或大量的非結(jié)構(gòu)化數(shù)據(jù)進行無監(jiān)督學(xué)習(xí)。深度學(xué)習(xí)技術(shù)開發(fā)人員需要花費大量的時間標記，并向神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)，或者需要輸入數(shù)以百萬計的非結(jié)構(gòu)化對象來實現(xiàn)無監(jiān)督學(xué)習(xí)。

在當今數(shù)據(jù)密集型的世界里，擁有足夠的數(shù)據(jù)并不是問題。標記足夠的數(shù)據(jù)，或者向神經(jīng)網(wǎng)絡(luò)引入足夠的未標記數(shù)據(jù)是企業(yè)面臨的一個挑戰(zhàn)。盡管企業(yè)的處理能力不斷增加，硬件價格也有所下降，但密集計算仍然需要企業(yè)對系統(tǒng)和支持進行大量的投資。

盡管如此，深度學(xué)習(xí)在許多不同的業(yè)務(wù)垂直領(lǐng)域都有很好的用例。像谷歌和Facebook這樣的行業(yè)巨頭正在投資深度學(xué)習(xí)的研究。