一文讀懂深度學習與機器學習的差異

機器學習和深度學習變得越來越火。突然之間，不管是了解的還是不了解的，所有人都在談論機器學習和深度學習。無論你是否主動關注過數據科學，你應該已經聽說過這兩個名詞了。

為了展示他們的火熱程度，我在 Google trend 上搜索了這些關鍵字：

?

如果你想讓自己弄清楚機器學習和深度學習的區別，請閱讀本篇文章，我將用通俗易懂的語言為你介紹他們之間的差別。下文詳細解釋了機器學習和深度學習中的術語。并且，我比較了他們兩者的不同，別說明了他們各自的使用場景。

什么是機器學習和深度學習?

讓我們從基礎知識開始：什么是機器學習？和什么是深度學習？如果你對此已有所了解，隨時可以跳過本部分。

一、什么是機器學習？

一言以蔽之，由 Tom Mitchell 給出的被廣泛引用的機器學習的定義給出了最佳解釋。下面是其中的內容：
“計算機程序可以在給定某種類別的任務 T 和性能度量 P 下學習經驗 E ，如果其在任務 T 中的性能恰好可以用 P 度量，則隨著經驗 E 而提高?！?/p>

是不是讀起來很繞口呢？讓我們用簡單的例子來分解下這個描述。

示例 1：機器學習和根據人的身高估算體重

假設你想創建一個能夠根據人的身高估算體重的系統（也許你出自某些理由對這件事情感興趣）。那么你可以使用機器學習去找出任何可能的錯誤和數據捕獲中的錯誤，首先你需要收集一些數據，讓我們來看看你的數據是什么樣子的：

圖中的每一個點對應一個數據，我們可以畫出一條簡單的斜線來預測基于身高的體重

例如這條斜線：

Weight (in kg) = Height (in cm) - 100

這些斜線能幫助我們作出預測，盡管這些斜線表現得很棒，但是我們需要理解它是怎么表現的，我們希望去減少預測和實際之間的誤差，這也是衡量其性能的方法。

深遠一點地說，我們收集更多的數據 (experience)，模型就會變得更好。我們也可以通過添加更多變量（例如性別）和添加不同的預測斜線來完善我們的模型。

示例2：颶風預測系統

我們找一個復雜一點的例子。假如你要構建一個颶風預測系統。假設你手里有所有以前發生過的颶風的數據和這次颶風產生前三個月的天氣信息。

如果要手動構建一個颶風預測系統，我們應該怎么做？

?

首先我們的任務是清洗所有的數據找到數據里面的模式進而查找產生颶風的條件。

我們既可以將模型條件數據(例如氣溫高于40度，濕度在80-100等)輸入到我們的系統里面生成輸出；也可以讓我們的系統自己通過這些條件數據產生合適的輸出。

我們可以把所有以前的數據輸入到系統里面來預測未來是否會有颶風?；谖覀兿到y條件的取值，評估系統的性能(系統正確預測颶風的次數)。我們可以將系統預測結果作為反饋繼續多次迭代以上步驟。

讓我們根據前邊的解釋來定義我們的預測系統：我們的任務是確定可能產生颶風的氣象條件。性能P是在系統所有給定的條件下有多少次正確預測颶風。經驗E是我們的系統的迭代次數。