深度学习与机器学习：两者有什么区别？

经常听到的两个术语：机器学习 和深度学习。这些是“教”人工智能来执行任务的两种方法，但是它们的用途超出了创建智能助手的方式。有什么不同？

所有这些学习的核心就是所谓的算法。

算法不是一个完整的计算机程序（一组指令），而是一个解决单个问题的有限步骤。

1956年，机器学习实际上已经出现了。 亚瑟·塞缪尔（Arthur Samuel）不想写一个非常详细，冗长的程序，使计算机能够在跳棋中打败他。相反，他创造了一种算法，使电脑能够自我对抗数千次，这样就可以“学习”如何作为一个独立的对手进行比赛。1962年，这台电脑击败了康涅狄格州冠军。

所以，机器学习的核心是基于反复试验。我们不能手工编写程序来帮助自驾车识别行人与树木或车辆，但是我们可以创建一个程序的算法，可以使用数据来解决这个问题。

以下是机器学习的四种主要类型：

监督机器学习

在这种情况下，由人提供带有标签数据的计算机程序。例如，如果分配的任务是使用用于分类图像的算法来分离男孩和女孩的图片，则具有男孩的那些将具有“男孩”标签，并且具有女孩的图像将具有“女孩”标签。这被认为是一个“训练”数据集，并且标签保持原位，直到程序能够以可接受的速率成功地对图像进行分类。

半监督机器学习

在这种情况下，只有少数图像被标记。然后计算机程序将使用算法对未标记图像进行最佳猜测，然后将数据作为训练数据反馈给程序。然后提供一批新的图像，只有几个运动标签。这是一个重复的过程，直到程序能以可接受的速度区分男孩和女孩。

无监督的机器学习

这种类型的机器学习不涉及任何标签。相反，这个计划被盲目地分为两个方法，一个是将男孩和女孩的图像分成两组。一种算法被称为“聚类”，根据诸如头发长度，下颚大小，眼睛位置等特征将相似的对象分组在一起。另一种算法称为“关联”，程序根据发现的相似性创建if / then规则。换句话说，它决定了图像之间的共同模式，并相应地对其进行分类。

深度学习

深度学习基本上是“更深层次”的机器学习。它的灵感来源于人脑的工作原理，但是需要高端机器以及能够处理数字的独立附加图形卡以及大量的“大数据”。少量的数据实际上会降低性能。

与标准的机器学习算法不同，它将问题分解成若干部分并单独解决，从头到尾深入的学习解决了这个问题。提供深度学习算法的数据和时间越多，解决任务就越好。