機器學習和深度學習是人工智能的兩個子集，在過去兩年中引起了很多關注。如果你在這裡想以最簡單的方式理解這兩個術語，那就沒有比這更好的地方了。
機器學習和深度學習是人工智能的兩個子集，在過去兩年中引起了很多關注。如果你在這裡想以最簡單的方式理解這兩個術語，那就沒有比這更好的地方了。
人工智能這兩個領域，即機器學習和深度學習，提出了比整個領域組合更多的問題，主要是因為這兩個領域經常混淆並在提到數據統計建模時可以互換使用; 但是，每種方法中使用的技術都不同，您需要了解這些數據建模範例之間的區別，以便通過相應的名稱來引用它們。在本文中，我們將解釋人工智能，機器學習，深度學習和神經網絡的定義，簡要概述每個類別，解釋它們如何工作，並完成機器學習與顯式比較深度學習。
什麼是人工智能？
人工智能（以下簡稱AI）是機器所展示的智能，而不是人類的自然智能。人工智能可以進一步分為三個不同的系統：分析，人類啟發和人性化人工智能。分析AI通過基於過去經驗的學習來預測未來的決策，從而產生世界的認知表徵。人類啟發的AI具有來自認知和情感智能的元素，因此為了預測任何未來的決定，人類啟發的AI除了認知元素之外還試圖理解人類的情感。人性化AI使用所有類型的能力，包括但不限於認知，情感，社交智能，以及嘗試自我意識和自我意識的交互。
什麼是機器學習？
根據維基百科的說法，“機器學習”（以下簡稱ML）是計算機系統用於執行特定任務而無需指令的算法和統計模型的科學研究，而是依賴於模式和推論。“簡而言之，ML涉及創建可以在沒有人工協助的情況下修改自身以生成所需輸出的算法。同樣，為了進一步簡化：ML是一種訓練算法的方法，因此他們可以自己做出決定。ML背後的意圖同樣簡單 - 使機器能夠在提供數據時自行學習以進行未來預測。
例如，為了預測風暴，我們必須收集過去發生的所有風暴的數據以及指定時間段（例如六個月）的併發天氣條件。手頭的任務：確定哪些天氣條件幾乎肯定會導致即將到來的風暴。結果將基於我們提供給系統的輸入數據。然後分析這些結果與實時條件和所述風暴的發生，這可以進一步導致重複輸入數據以拋光未來預測。
機器學習如何運作？
為了使ML工作，在將ML應用於問題之前需要考慮特殊因素。其中包括：有一個明確的模式可以幫助機器得出結論; 必須有現成的數據; 可以通過結構化推理學習的數學表達來描述行為。
例如，數據可以是一個或多個項目的多個產品評論，輸出是基於產品評論確定該項目是否值得購買的決定。然後，通過ML算法執行結構化學習組件以獲得所提供數據的模式。ML表達的表達式稱為“映射函數”，用於學習“目標函數”，即表達式將輸入數據映射到輸出併到達決策：購買物品或不購買物品。
因此，ML執行學習任務，其中基於新的給定輸入（x）來預測未來（Y）。
Y = f（x）
為了得到目標函數（f），需要從提供的例子（x）中學習預測; 在我們的示例中，它嘗試通過將每種類型的審閱輸入映射到輸出來捕獲產品評論的表示。為了更快地得出結論，算法考慮關於目標函數的某些假設並從假設開始估計該函數。對假設的迭代進行了幾次以估計最佳輸出。
機器學習概述：ML的工作原理摘要
ML算法的目標是估計最佳推廣到一組數據的預測模型。為了使ML具有超高效率，需要為學習算法提供大量數據，以便在提供新數據時理解系統的行為並生成類似的預測。
機器學習架構與開發生命週期
機器學習程序在與一般軟件開發生命週期不同的生命週期下運行 ，這意味著眾所周知的應用程序開發方法（如敏捷和瀑布）在機器學習開發中不能很好地運行。
機器學習和深度學習是人工智能的兩個子集，在過去兩年中引起了很多關注。如果你在這裡想以最簡單的方式理解這兩個術語，那就沒有比這更好的地方了。
人工智能這兩個領域，即機器學習和深度學習，提出了比整個領域組合更多的問題，主要是因為這兩個領域經常混淆並在提到數據統計建模時可以互換使用; 但是，每種方法中使用的技術都不同，您需要了解這些數據建模範例之間的區別，以便通過相應的名稱來引用它們。在本文中，我們將解釋人工智能，機器學習，深度學習和神經網絡的定義，簡要概述每個類別，解釋它們如何工作，並完成機器學習與顯式比較深度學習。
什麼是人工智能？
人工智能（以下簡稱AI）是機器所展示的智能，而不是人類的自然智能。人工智能可以進一步分為三個不同的系統：分析，人類啟發和人性化人工智能。分析AI通過基於過去經驗的學習來預測未來的決策，從而產生世界的認知表徵。人類啟發的AI具有來自認知和情感智能的元素，因此為了預測任何未來的決定，人類啟發的AI除了認知元素之外還試圖理解人類的情感。人性化AI使用所有類型的能力，包括但不限於認知，情感，社交智能，以及嘗試自我意識和自我意識的交互。
什麼是機器學習？
根據維基百科的說法，“機器學習”（以下簡稱ML）是計算機系統用於執行特定任務而無需指令的算法和統計模型的科學研究，而是依賴於模式和推論。“簡而言之，ML涉及創建可以在沒有人工協助的情況下修改自身以生成所需輸出的算法。同樣，為了進一步簡化：ML是一種訓練算法的方法，因此他們可以自己做出決定。ML背後的意圖同樣簡單 - 使機器能夠在提供數據時自行學習以進行未來預測。
例如，為了預測風暴，我們必須收集過去發生的所有風暴的數據以及指定時間段（例如六個月）的併發天氣條件。手頭的任務：確定哪些天氣條件幾乎肯定會導致即將到來的風暴。結果將基於我們提供給系統的輸入數據。然後分析這些結果與實時條件和所述風暴的發生，這可以進一步導致重複輸入數據以拋光未來預測。
機器學習如何運作？
為了使ML工作，在將ML應用於問題之前需要考慮特殊因素。其中包括：有一個明確的模式可以幫助機器得出結論; 必須有現成的數據; 可以通過結構化推理學習的數學表達來描述行為。
例如，數據可以是一個或多個項目的多個產品評論，輸出是基於產品評論確定該項目是否值得購買的決定。然後，通過ML算法執行結構化學習組件以獲得所提供數據的模式。ML表達的表達式稱為“映射函數”，用於學習“目標函數”，即表達式將輸入數據映射到輸出併到達決策：購買物品或不購買物品。
因此，ML執行學習任務，其中基於新的給定輸入（x）來預測未來（Y）。
Y = f（x）
為了得到目標函數（f），需要從提供的例子（x）中學習預測; 在我們的示例中，它嘗試通過將每種類型的審閱輸入映射到輸出來捕獲產品評論的表示。為了更快地得出結論，算法考慮關於目標函數的某些假設並從假設開始估計該函數。對假設的迭代進行了幾次以估計最佳輸出。
機器學習概述：ML的工作原理摘要
ML算法的目標是估計最佳推廣到一組數據的預測模型。為了使ML具有超高效率，需要為學習算法提供大量數據，以便在提供新數據時理解系統的行為並生成類似的預測。
機器學習架構與開發生命週期
機器學習程序在與一般軟件開發生命週期不同的生命週期下運行 ，這意味著眾所周知的應用程序開發方法（如敏捷和瀑布）在機器學習開發中不能很好地運行。
標準應用程序開發（左）vs機器學習開發（右）
為機器學習構建單獨生命週期的原因主要是支持ML模型的高度迭代構建，測試和部署。雖然規劃，創建，測試和部署ML模型的過程可能與任何其他應用程序開發週期類似，但仍然需要進行大量調整以便專注於ML模型評估和微調。下圖表示建議的ML適應生命週期，指導開發專業人員實施連續模型部署和控制框架，以自動化開發，測試，部署和監控ML模型的過程：
機器學習和深度學習是人工智能的兩個子集，在過去兩年中引起了很多關注。如果你在這裡想以最簡單的方式理解這兩個術語，那就沒有比這更好的地方了。
人工智能這兩個領域，即機器學習和深度學習，提出了比整個領域組合更多的問題，主要是因為這兩個領域經常混淆並在提到數據統計建模時可以互換使用; 但是，每種方法中使用的技術都不同，您需要了解這些數據建模範例之間的區別，以便通過相應的名稱來引用它們。在本文中，我們將解釋人工智能，機器學習，深度學習和神經網絡的定義，簡要概述每個類別，解釋它們如何工作，並完成機器學習與顯式比較深度學習。
什麼是人工智能？
人工智能（以下簡稱AI）是機器所展示的智能，而不是人類的自然智能。人工智能可以進一步分為三個不同的系統：分析，人類啟發和人性化人工智能。分析AI通過基於過去經驗的學習來預測未來的決策，從而產生世界的認知表徵。人類啟發的AI具有來自認知和情感智能的元素，因此為了預測任何未來的決定，人類啟發的AI除了認知元素之外還試圖理解人類的情感。人性化AI使用所有類型的能力，包括但不限於認知，情感，社交智能，以及嘗試自我意識和自我意識的交互。
什麼是機器學習？
根據維基百科的說法，“機器學習”（以下簡稱ML）是計算機系統用於執行特定任務而無需指令的算法和統計模型的科學研究，而是依賴於模式和推論。“簡而言之，ML涉及創建可以在沒有人工協助的情況下修改自身以生成所需輸出的算法。同樣，為了進一步簡化：ML是一種訓練算法的方法，因此他們可以自己做出決定。ML背後的意圖同樣簡單 - 使機器能夠在提供數據時自行學習以進行未來預測。
例如，為了預測風暴，我們必須收集過去發生的所有風暴的數據以及指定時間段（例如六個月）的併發天氣條件。手頭的任務：確定哪些天氣條件幾乎肯定會導致即將到來的風暴。結果將基於我們提供給系統的輸入數據。然後分析這些結果與實時條件和所述風暴的發生，這可以進一步導致重複輸入數據以拋光未來預測。
機器學習如何運作？
為了使ML工作，在將ML應用於問題之前需要考慮特殊因素。其中包括：有一個明確的模式可以幫助機器得出結論; 必須有現成的數據; 可以通過結構化推理學習的數學表達來描述行為。
例如，數據可以是一個或多個項目的多個產品評論，輸出是基於產品評論確定該項目是否值得購買的決定。然後，通過ML算法執行結構化學習組件以獲得所提供數據的模式。ML表達的表達式稱為“映射函數”，用於學習“目標函數”，即表達式將輸入數據映射到輸出併到達決策：購買物品或不購買物品。
因此，ML執行學習任務，其中基於新的給定輸入（x）來預測未來（Y）。
Y = f（x）
為了得到目標函數（f），需要從提供的例子（x）中學習預測; 在我們的示例中，它嘗試通過將每種類型的審閱輸入映射到輸出來捕獲產品評論的表示。為了更快地得出結論，算法考慮關於目標函數的某些假設並從假設開始估計該函數。對假設的迭代進行了幾次以估計最佳輸出。
機器學習概述：ML的工作原理摘要
ML算法的目標是估計最佳推廣到一組數據的預測模型。為了使ML具有超高效率，需要為學習算法提供大量數據，以便在提供新數據時理解系統的行為並生成類似的預測。
機器學習架構與開發生命週期
機器學習程序在與一般軟件開發生命週期不同的生命週期下運行 ，這意味著眾所周知的應用程序開發方法（如敏捷和瀑布）在機器學習開發中不能很好地運行。
標準應用程序開發（左）vs機器學習開發（右）
為機器學習構建單獨生命週期的原因主要是支持ML模型的高度迭代構建，測試和部署。雖然規劃，創建，測試和部署ML模型的過程可能與任何其他應用程序開發週期類似，但仍然需要進行大量調整以便專注於ML模型評估和微調。下圖表示建議的ML適應生命週期，指導開發專業人員實施連續模型部署和控制框架，以自動化開發，測試，部署和監控ML模型的過程：
Gartner的連續ML模型和控制框架
許多機器學習框架提供了自己的參考架構，簡化了機器學習解決方案的實現。例如，TensorFlow的系統結構進行詳細說明 這裡，天青ML架構，概念和工作流- 在這裡。
以下是機器學習架構的示例，其中包含執行機器學習過程所需功能的以下基礎架構區域：
- 數據採集，收集數據
- 數據處理，包括預處理，樣本選擇，數據集訓練
- 數據建模，包括數據模型設計和ML數據處理中使用的ML算法
- 執行，處理和訓練的數據被轉發，用於執行ML例程，如實驗，測試，微調
- 部署是ML流程的業務可用結果的表示 - 模型部署到企業應用程序，系統，數據存儲。
機器學習和深度學習是人工智能的兩個子集，在過去兩年中引起了很多關注。如果你在這裡想以最簡單的方式理解這兩個術語，那就沒有比這更好的地方了。
人工智能這兩個領域，即機器學習和深度學習，提出了比整個領域組合更多的問題，主要是因為這兩個領域經常混淆並在提到數據統計建模時可以互換使用; 但是，每種方法中使用的技術都不同，您需要了解這些數據建模範例之間的區別，以便通過相應的名稱來引用它們。在本文中，我們將解釋人工智能，機器學習，深度學習和神經網絡的定義，簡要概述每個類別，解釋它們如何工作，並完成機器學習與顯式比較深度學習。
什麼是人工智能？
人工智能（以下簡稱AI）是機器所展示的智能，而不是人類的自然智能。人工智能可以進一步分為三個不同的系統：分析，人類啟發和人性化人工智能。分析AI通過基於過去經驗的學習來預測未來的決策，從而產生世界的認知表徵。人類啟發的AI具有來自認知和情感智能的元素，因此為了預測任何未來的決定，人類啟發的AI除了認知元素之外還試圖理解人類的情感。人性化AI使用所有類型的能力，包括但不限於認知，情感，社交智能，以及嘗試自我意識和自我意識的交互。
什麼是機器學習？
根據維基百科的說法，“機器學習”（以下簡稱ML）是計算機系統用於執行特定任務而無需指令的算法和統計模型的科學研究，而是依賴於模式和推論。“簡而言之，ML涉及創建可以在沒有人工協助的情況下修改自身以生成所需輸出的算法。同樣，為了進一步簡化：ML是一種訓練算法的方法，因此他們可以自己做出決定。ML背後的意圖同樣簡單 - 使機器能夠在提供數據時自行學習以進行未來預測。
例如，為了預測風暴，我們必須收集過去發生的所有風暴的數據以及指定時間段（例如六個月）的併發天氣條件。手頭的任務：確定哪些天氣條件幾乎肯定會導致即將到來的風暴。結果將基於我們提供給系統的輸入數據。然後分析這些結果與實時條件和所述風暴的發生，這可以進一步導致重複輸入數據以拋光未來預測。
機器學習如何運作？
為了使ML工作，在將ML應用於問題之前需要考慮特殊因素。其中包括：有一個明確的模式可以幫助機器得出結論; 必須有現成的數據; 可以通過結構化推理學習的數學表達來描述行為。
例如，數據可以是一個或多個項目的多個產品評論，輸出是基於產品評論確定該項目是否值得購買的決定。然後，通過ML算法執行結構化學習組件以獲得所提供數據的模式。ML表達的表達式稱為“映射函數”，用於學習“目標函數”，即表達式將輸入數據映射到輸出併到達決策：購買物品或不購買物品。
因此，ML執行學習任務，其中基於新的給定輸入（x）來預測未來（Y）。
Y = f（x）
為了得到目標函數（f），需要從提供的例子（x）中學習預測; 在我們的示例中，它嘗試通過將每種類型的審閱輸入映射到輸出來捕獲產品評論的表示。為了更快地得出結論，算法考慮關於目標函數的某些假設並從假設開始估計該函數。對假設的迭代進行了幾次以估計最佳輸出。
機器學習概述：ML的工作原理摘要
ML算法的目標是估計最佳推廣到一組數據的預測模型。為了使ML具有超高效率，需要為學習算法提供大量數據，以便在提供新數據時理解系統的行為並生成類似的預測。
機器學習架構與開發生命週期
機器學習程序在與一般軟件開發生命週期不同的生命週期下運行 ，這意味著眾所周知的應用程序開發方法（如敏捷和瀑布）在機器學習開發中不能很好地運行。
標準應用程序開發（左）vs機器學習開發（右）
為機器學習構建單獨生命週期的原因主要是支持ML模型的高度迭代構建，測試和部署。雖然規劃，創建，測試和部署ML模型的過程可能與任何其他應用程序開發週期類似，但仍然需要進行大量調整以便專注於ML模型評估和微調。下圖表示建議的ML適應生命週期，指導開發專業人員實施連續模型部署和控制框架，以自動化開發，測試，部署和監控ML模型的過程：
Gartner的連續ML模型和控制框架
許多機器學習框架提供了自己的參考架構，簡化了機器學習解決方案的實現。例如，TensorFlow的系統結構進行詳細說明 這裡，天青ML架構，概念和工作流- 在這裡。
以下是機器學習架構的示例，其中包含執行機器學習過程所需功能的以下基礎架構區域：
- 數據採集，收集數據
- 數據處理，包括預處理，樣本選擇，數據集訓練
- 數據建模，包括數據模型設計和ML數據處理中使用的ML算法
- 執行，處理和訓練的數據被轉發，用於執行ML例程，如實驗，測試，微調
- 部署是ML流程的業務可用結果的表示 - 模型部署到企業應用程序，系統，數據存儲。
Gartner的機器學習架構示例
什麼是深度學習？
另一方面，深度學習是機器學習的一個子集，它受到人類大腦中信息處理模式的啟發。大腦破譯信息，標記信息並將其分配到不同的類別。當面對新信息時，大腦會將其與現有信息進行比較，並根據此分析得出刺激未來行動的結論。深度學習基於多層算法（人工神經網絡），每個算法都對提供給他們的數據提供不同的解釋。
深度學習如何運作？
在我們解決“它是如何工作”的問題之前，讓我們簡要地定義一些其他必要的術語。
監督學習使用具有輸入和預期輸出的標記數據集。無監督學習使用沒有指定結構的數據集。
在監督學習的情況下，期望用戶訓練AI以做出正確的決定：用戶給機器輸入和預期輸出，如果AI的輸出錯誤，它將重新調整其計算; 迭代過程一直持續到AI不再犯錯誤為止。受歡迎的監督算法包括線性迴歸，邏輯迴歸，決策樹，支持向量機和非參數模型，如k-Nearest Neighbors。在無監督學習的情況下，用戶讓AI從數據中進行邏輯分類。在這裡，諸如層次聚類，k-Means，高斯混合模型的算法試圖在數據中學習有意義的結構。
深度學習在沒有嚴格規則的情況下運行，因為ML算法應該在完成有監督或無監督學習的過程之後從大量非結構化數據中提取趨勢和模式。為了進一步發展，我們需要定義神經網絡。
深度學習與神經網絡
深度學習底層算法是神經網絡 - 層越多，網絡越深。一個層由計算節點“神經元”組成，每個神經元都連接到底層的所有神經元。層有三種類型：
- 節點的輸入層，它接收信息並將其傳輸到底層節點
- 隱藏節點層是進行所有計算的層
- 輸出節點層是計算結果的位置
機器學習和深度學習是人工智能的兩個子集，在過去兩年中引起了很多關注。如果你在這裡想以最簡單的方式理解這兩個術語，那就沒有比這更好的地方了。
人工智能這兩個領域，即機器學習和深度學習，提出了比整個領域組合更多的問題，主要是因為這兩個領域經常混淆並在提到數據統計建模時可以互換使用; 但是，每種方法中使用的技術都不同，您需要了解這些數據建模範例之間的區別，以便通過相應的名稱來引用它們。在本文中，我們將解釋人工智能，機器學習，深度學習和神經網絡的定義，簡要概述每個類別，解釋它們如何工作，並完成機器學習與顯式比較深度學習。
什麼是人工智能？
人工智能（以下簡稱AI）是機器所展示的智能，而不是人類的自然智能。人工智能可以進一步分為三個不同的系統：分析，人類啟發和人性化人工智能。分析AI通過基於過去經驗的學習來預測未來的決策，從而產生世界的認知表徵。人類啟發的AI具有來自認知和情感智能的元素，因此為了預測任何未來的決定，人類啟發的AI除了認知元素之外還試圖理解人類的情感。人性化AI使用所有類型的能力，包括但不限於認知，情感，社交智能，以及嘗試自我意識和自我意識的交互。
什麼是機器學習？
根據維基百科的說法，“機器學習”（以下簡稱ML）是計算機系統用於執行特定任務而無需指令的算法和統計模型的科學研究，而是依賴於模式和推論。“簡而言之，ML涉及創建可以在沒有人工協助的情況下修改自身以生成所需輸出的算法。同樣，為了進一步簡化：ML是一種訓練算法的方法，因此他們可以自己做出決定。ML背後的意圖同樣簡單 - 使機器能夠在提供數據時自行學習以進行未來預測。
例如，為了預測風暴，我們必須收集過去發生的所有風暴的數據以及指定時間段（例如六個月）的併發天氣條件。手頭的任務：確定哪些天氣條件幾乎肯定會導致即將到來的風暴。結果將基於我們提供給系統的輸入數據。然後分析這些結果與實時條件和所述風暴的發生，這可以進一步導致重複輸入數據以拋光未來預測。
機器學習如何運作？
為了使ML工作，在將ML應用於問題之前需要考慮特殊因素。其中包括：有一個明確的模式可以幫助機器得出結論; 必須有現成的數據; 可以通過結構化推理學習的數學表達來描述行為。
例如，數據可以是一個或多個項目的多個產品評論，輸出是基於產品評論確定該項目是否值得購買的決定。然後，通過ML算法執行結構化學習組件以獲得所提供數據的模式。ML表達的表達式稱為“映射函數”，用於學習“目標函數”，即表達式將輸入數據映射到輸出併到達決策：購買物品或不購買物品。
因此，ML執行學習任務，其中基於新的給定輸入（x）來預測未來（Y）。
Y = f（x）
為了得到目標函數（f），需要從提供的例子（x）中學習預測; 在我們的示例中，它嘗試通過將每種類型的審閱輸入映射到輸出來捕獲產品評論的表示。為了更快地得出結論，算法考慮關於目標函數的某些假設並從假設開始估計該函數。對假設的迭代進行了幾次以估計最佳輸出。
機器學習概述：ML的工作原理摘要
ML算法的目標是估計最佳推廣到一組數據的預測模型。為了使ML具有超高效率，需要為學習算法提供大量數據，以便在提供新數據時理解系統的行為並生成類似的預測。
機器學習架構與開發生命週期
機器學習程序在與一般軟件開發生命週期不同的生命週期下運行 ，這意味著眾所周知的應用程序開發方法（如敏捷和瀑布）在機器學習開發中不能很好地運行。
標準應用程序開發（左）vs機器學習開發（右）
為機器學習構建單獨生命週期的原因主要是支持ML模型的高度迭代構建，測試和部署。雖然規劃，創建，測試和部署ML模型的過程可能與任何其他應用程序開發週期類似，但仍然需要進行大量調整以便專注於ML模型評估和微調。下圖表示建議的ML適應生命週期，指導開發專業人員實施連續模型部署和控制框架，以自動化開發，測試，部署和監控ML模型的過程：
Gartner的連續ML模型和控制框架
許多機器學習框架提供了自己的參考架構，簡化了機器學習解決方案的實現。例如，TensorFlow的系統結構進行詳細說明 這裡，天青ML架構，概念和工作流- 在這裡。
以下是機器學習架構的示例，其中包含執行機器學習過程所需功能的以下基礎架構區域：
- 數據採集，收集數據
- 數據處理，包括預處理，樣本選擇，數據集訓練
- 數據建模，包括數據模型設計和ML數據處理中使用的ML算法
- 執行，處理和訓練的數據被轉發，用於執行ML例程，如實驗，測試，微調
- 部署是ML流程的業務可用結果的表示 - 模型部署到企業應用程序，系統，數據存儲。
Gartner的機器學習架構示例
什麼是深度學習？
另一方面，深度學習是機器學習的一個子集，它受到人類大腦中信息處理模式的啟發。大腦破譯信息，標記信息並將其分配到不同的類別。當面對新信息時，大腦會將其與現有信息進行比較，並根據此分析得出刺激未來行動的結論。深度學習基於多層算法（人工神經網絡），每個算法都對提供給他們的數據提供不同的解釋。
深度學習如何運作？
在我們解決“它是如何工作”的問題之前，讓我們簡要地定義一些其他必要的術語。
監督學習使用具有輸入和預期輸出的標記數據集。無監督學習使用沒有指定結構的數據集。
在監督學習的情況下，期望用戶訓練AI以做出正確的決定：用戶給機器輸入和預期輸出，如果AI的輸出錯誤，它將重新調整其計算; 迭代過程一直持續到AI不再犯錯誤為止。受歡迎的監督算法包括線性迴歸，邏輯迴歸，決策樹，支持向量機和非參數模型，如k-Nearest Neighbors。在無監督學習的情況下，用戶讓AI從數據中進行邏輯分類。在這裡，諸如層次聚類，k-Means，高斯混合模型的算法試圖在數據中學習有意義的結構。
深度學習在沒有嚴格規則的情況下運行，因為ML算法應該在完成有監督或無監督學習的過程之後從大量非結構化數據中提取趨勢和模式。為了進一步發展，我們需要定義神經網絡。
深度學習與神經網絡
深度學習底層算法是神經網絡 - 層越多，網絡越深。一個層由計算節點“神經元”組成，每個神經元都連接到底層的所有神經元。層有三種類型：
- 節點的輸入層，它接收信息並將其傳輸到底層節點
- 隱藏節點層是進行所有計算的層
- 輸出節點層是計算結果的位置
神經網絡
通過在網絡中添加更多隱藏層，研究人員可以進行更深入的計算; 但是，層數越多 - 部署此類網絡所需的計算能力就越強。
每個連接都具有其權重和重要性，其初始值是隨機分配的，或者根據它們對ML模型訓練數據集創建者的重要性來分配。每個神經元的激活函數評估信號的採集方式，如果分析的數據與預期的不同，則重新配置權重值並開始迭代。產生的結果與預期結果之間的差異稱為損失函數，我們需要儘可能接近零。漸變下降是一種描述連接重要性如何影響輸出精度的函數。在每次迭代之後，我們以小增量調整節點的權重，並找出達到設定最小值的方向。在幾次所述迭代之後，
深度學習學習概述：DL工作原理的摘要
深度學習是通過人工神經網絡實現機器學習的方法之一，人工神經網絡是模仿人類大腦結構的算法。基本上，DL算法使用多個層來逐步從原始輸入中提取更高級別的特徵。在DL中，每個級別都學習將其輸入數據轉換為更抽象的表示，更重要的是，深度學習過程可以瞭解哪些特徵可以在沒有人工交互的情況下最佳地放置在哪個級別。DL適用於監督和無監督學習任務，其中對於監督任務，DL方法消除特徵工程並導出去除表示中的冗餘的分層結構; 可以以無監督方式使用的DL結構是深信念網絡和神經歷史壓縮器。
深度學習應用
現在，讓我們看一下深度學習的一些頂級應用程序，它們將幫助您更好地理解DL及其工作原理，除了其中一些提供了精彩的教程和源代碼，詳細說明了如何實現這些算法。
深度學習最著名的應用是推薦引擎，它應該增強用戶體驗併為用戶提供更好的服務。推薦引擎有兩種類型：基於內容和協作過濾。在您擁有相當大的用戶群之前，最好建議先從基於內容的引擎開始。示例： 用於協作過濾的Keras代碼
文本中使用自然語言處理和遞歸神經網絡來提取更高級別的信息，也稱為文本情感分析。示例： Twitter情緒分析
另一個流行的應用是 聊天機器人 ，可以使用對話框和循環神經網絡的樣本進行訓練。示例： 使用TensorFlow的Chatbot
DL模型的另一個流行應用是使用識別模型的圖像檢索和分類，以將圖像分類成不同的類別，或者使用自動編碼器基於視覺相似性來檢索圖像。示例： 黑客圖像識別
機器學習與深度學習：比較
最重要的差異之一是深度學習與舊機器學習算法的可擴展性：當數據較小時，深度學習效果不佳，但隨著數據量的增加，深度學習在理解和執行數據時飆升; 相反，傳統算法並不依賴於數據量。
機器學習和深度學習是人工智能的兩個子集，在過去兩年中引起了很多關注。如果你在這裡想以最簡單的方式理解這兩個術語，那就沒有比這更好的地方了。
人工智能這兩個領域，即機器學習和深度學習，提出了比整個領域組合更多的問題，主要是因為這兩個領域經常混淆並在提到數據統計建模時可以互換使用; 但是，每種方法中使用的技術都不同，您需要了解這些數據建模範例之間的區別，以便通過相應的名稱來引用它們。在本文中，我們將解釋人工智能，機器學習，深度學習和神經網絡的定義，簡要概述每個類別，解釋它們如何工作，並完成機器學習與顯式比較深度學習。
什麼是人工智能？
人工智能（以下簡稱AI）是機器所展示的智能，而不是人類的自然智能。人工智能可以進一步分為三個不同的系統：分析，人類啟發和人性化人工智能。分析AI通過基於過去經驗的學習來預測未來的決策，從而產生世界的認知表徵。人類啟發的AI具有來自認知和情感智能的元素，因此為了預測任何未來的決定，人類啟發的AI除了認知元素之外還試圖理解人類的情感。人性化AI使用所有類型的能力，包括但不限於認知，情感，社交智能，以及嘗試自我意識和自我意識的交互。
什麼是機器學習？
根據維基百科的說法，“機器學習”（以下簡稱ML）是計算機系統用於執行特定任務而無需指令的算法和統計模型的科學研究，而是依賴於模式和推論。“簡而言之，ML涉及創建可以在沒有人工協助的情況下修改自身以生成所需輸出的算法。同樣，為了進一步簡化：ML是一種訓練算法的方法，因此他們可以自己做出決定。ML背後的意圖同樣簡單 - 使機器能夠在提供數據時自行學習以進行未來預測。
例如，為了預測風暴，我們必須收集過去發生的所有風暴的數據以及指定時間段（例如六個月）的併發天氣條件。手頭的任務：確定哪些天氣條件幾乎肯定會導致即將到來的風暴。結果將基於我們提供給系統的輸入數據。然後分析這些結果與實時條件和所述風暴的發生，這可以進一步導致重複輸入數據以拋光未來預測。
機器學習如何運作？
為了使ML工作，在將ML應用於問題之前需要考慮特殊因素。其中包括：有一個明確的模式可以幫助機器得出結論; 必須有現成的數據; 可以通過結構化推理學習的數學表達來描述行為。
例如，數據可以是一個或多個項目的多個產品評論，輸出是基於產品評論確定該項目是否值得購買的決定。然後，通過ML算法執行結構化學習組件以獲得所提供數據的模式。ML表達的表達式稱為“映射函數”，用於學習“目標函數”，即表達式將輸入數據映射到輸出併到達決策：購買物品或不購買物品。
因此，ML執行學習任務，其中基於新的給定輸入（x）來預測未來（Y）。
Y = f（x）
為了得到目標函數（f），需要從提供的例子（x）中學習預測; 在我們的示例中，它嘗試通過將每種類型的審閱輸入映射到輸出來捕獲產品評論的表示。為了更快地得出結論，算法考慮關於目標函數的某些假設並從假設開始估計該函數。對假設的迭代進行了幾次以估計最佳輸出。
機器學習概述：ML的工作原理摘要
ML算法的目標是估計最佳推廣到一組數據的預測模型。為了使ML具有超高效率，需要為學習算法提供大量數據，以便在提供新數據時理解系統的行為並生成類似的預測。
機器學習架構與開發生命週期
機器學習程序在與一般軟件開發生命週期不同的生命週期下運行 ，這意味著眾所周知的應用程序開發方法（如敏捷和瀑布）在機器學習開發中不能很好地運行。
標準應用程序開發（左）vs機器學習開發（右）
為機器學習構建單獨生命週期的原因主要是支持ML模型的高度迭代構建，測試和部署。雖然規劃，創建，測試和部署ML模型的過程可能與任何其他應用程序開發週期類似，但仍然需要進行大量調整以便專注於ML模型評估和微調。下圖表示建議的ML適應生命週期，指導開發專業人員實施連續模型部署和控制框架，以自動化開發，測試，部署和監控ML模型的過程：
Gartner的連續ML模型和控制框架
許多機器學習框架提供了自己的參考架構，簡化了機器學習解決方案的實現。例如，TensorFlow的系統結構進行詳細說明 這裡，天青ML架構，概念和工作流- 在這裡。
以下是機器學習架構的示例，其中包含執行機器學習過程所需功能的以下基礎架構區域：
- 數據採集，收集數據
- 數據處理，包括預處理，樣本選擇，數據集訓練
- 數據建模，包括數據模型設計和ML數據處理中使用的ML算法
- 執行，處理和訓練的數據被轉發，用於執行ML例程，如實驗，測試，微調
- 部署是ML流程的業務可用結果的表示 - 模型部署到企業應用程序，系統，數據存儲。
Gartner的機器學習架構示例
什麼是深度學習？
另一方面，深度學習是機器學習的一個子集，它受到人類大腦中信息處理模式的啟發。大腦破譯信息，標記信息並將其分配到不同的類別。當面對新信息時，大腦會將其與現有信息進行比較，並根據此分析得出刺激未來行動的結論。深度學習基於多層算法（人工神經網絡），每個算法都對提供給他們的數據提供不同的解釋。
深度學習如何運作？
在我們解決“它是如何工作”的問題之前，讓我們簡要地定義一些其他必要的術語。
監督學習使用具有輸入和預期輸出的標記數據集。無監督學習使用沒有指定結構的數據集。
在監督學習的情況下，期望用戶訓練AI以做出正確的決定：用戶給機器輸入和預期輸出，如果AI的輸出錯誤，它將重新調整其計算; 迭代過程一直持續到AI不再犯錯誤為止。受歡迎的監督算法包括線性迴歸，邏輯迴歸，決策樹，支持向量機和非參數模型，如k-Nearest Neighbors。在無監督學習的情況下，用戶讓AI從數據中進行邏輯分類。在這裡，諸如層次聚類，k-Means，高斯混合模型的算法試圖在數據中學習有意義的結構。
深度學習在沒有嚴格規則的情況下運行，因為ML算法應該在完成有監督或無監督學習的過程之後從大量非結構化數據中提取趨勢和模式。為了進一步發展，我們需要定義神經網絡。
深度學習與神經網絡
深度學習底層算法是神經網絡 - 層越多，網絡越深。一個層由計算節點“神經元”組成，每個神經元都連接到底層的所有神經元。層有三種類型：
- 節點的輸入層，它接收信息並將其傳輸到底層節點
- 隱藏節點層是進行所有計算的層
- 輸出節點層是計算結果的位置
神經網絡
通過在網絡中添加更多隱藏層，研究人員可以進行更深入的計算; 但是，層數越多 - 部署此類網絡所需的計算能力就越強。
每個連接都具有其權重和重要性，其初始值是隨機分配的，或者根據它們對ML模型訓練數據集創建者的重要性來分配。每個神經元的激活函數評估信號的採集方式，如果分析的數據與預期的不同，則重新配置權重值並開始迭代。產生的結果與預期結果之間的差異稱為損失函數，我們需要儘可能接近零。漸變下降是一種描述連接重要性如何影響輸出精度的函數。在每次迭代之後，我們以小增量調整節點的權重，並找出達到設定最小值的方向。在幾次所述迭代之後，
深度學習學習概述：DL工作原理的摘要
深度學習是通過人工神經網絡實現機器學習的方法之一，人工神經網絡是模仿人類大腦結構的算法。基本上，DL算法使用多個層來逐步從原始輸入中提取更高級別的特徵。在DL中，每個級別都學習將其輸入數據轉換為更抽象的表示，更重要的是，深度學習過程可以瞭解哪些特徵可以在沒有人工交互的情況下最佳地放置在哪個級別。DL適用於監督和無監督學習任務，其中對於監督任務，DL方法消除特徵工程並導出去除表示中的冗餘的分層結構; 可以以無監督方式使用的DL結構是深信念網絡和神經歷史壓縮器。
深度學習應用
現在，讓我們看一下深度學習的一些頂級應用程序，它們將幫助您更好地理解DL及其工作原理，除了其中一些提供了精彩的教程和源代碼，詳細說明了如何實現這些算法。
深度學習最著名的應用是推薦引擎，它應該增強用戶體驗併為用戶提供更好的服務。推薦引擎有兩種類型：基於內容和協作過濾。在您擁有相當大的用戶群之前，最好建議先從基於內容的引擎開始。示例： 用於協作過濾的Keras代碼
文本中使用自然語言處理和遞歸神經網絡來提取更高級別的信息，也稱為文本情感分析。示例： Twitter情緒分析
另一個流行的應用是 聊天機器人 ，可以使用對話框和循環神經網絡的樣本進行訓練。示例： 使用TensorFlow的Chatbot
DL模型的另一個流行應用是使用識別模型的圖像檢索和分類，以將圖像分類成不同的類別，或者使用自動編碼器基於視覺相似性來檢索圖像。示例： 黑客圖像識別
機器學習與深度學習：比較
最重要的差異之一是深度學習與舊機器學習算法的可擴展性：當數據較小時，深度學習效果不佳，但隨著數據量的增加，深度學習在理解和執行數據時飆升; 相反，傳統算法並不依賴於數據量。
擴展數據量
直接來自第一個差異的另一個重要區別是深度學習硬件依賴性：Dl算法依賴於高端機器和GPU，因為它們執行大量的矩陣乘法運算，而較舊的機器學習算法可以在低端工作機器非常好。
在機器學習中，大多數應用的功能需要由機器學習專家識別，然後機器學習專家根據域和數據類型手動複製它們。輸入值（或特徵）可以是來自像素值，形狀，紋理等的任何值。因此，較舊ML算法的性能將在很大程度上取決於特徵被輸入，識別和提取的精確度和準確度。深度學習從數據中學習高級特徵，這是傳統ML的一個重大轉變，因為它減少了為每個問題開發新特徵提取器的任務，反過來，DL將學習神經網絡早期層的低特徵然後隨著它越來越深入到所述網絡中。
同樣，由於需要從中學習大量數據，深度學習算法需要花費大量時間進行訓練，有時長達數週，相比之下，機器學習需要更少的時間來訓練範圍從一秒鐘開始幾個小時。但是，在測試期間，深度學習比普通機器學習算法花費的時間更少。
此外，可解釋性是比較的一個因素。使用深度學習算法，有時無法解釋結果，這正是某些行業緩慢採用DL的原因。然而，DL模型仍然可以實現高精度，但代價是更高的抽象。為了進一步詳細說明，讓我們回到神經網絡（NN）中的權重，它實質上表示每個神經元之間每個連接的強度。因此，通過查看第一層，您可以判斷輸入與第一層神經元之間的連接有多強。但在第二級，你將失去這種關係，因為一對多的關係已經變成了多對多的關係，正是因為NN性質的高度複雜性：一層中的神經元可以與遠離第一層的一些其他神經元相關，深入網絡。同樣，權重告訴有關輸入的故事，但是在應用激活功能之後壓縮信息使得幾乎不可能解碼。另一方面，像決策樹這樣的機器學習算法給出了為什麼選擇它所選擇的內容的明確規則，因此，它們更容易解釋。