1樓：中公教育it優就業
簡單來說，機器學習是實現人工智慧的方法，深度學習是實現機器學習的技術。機器學習在實現人工智慧時中需要人工輔助（半自動），而深度學習使該過程完全自動化
三者關係：
舉個例子：通過機器學習演算法來識別水果是橘子還是蘋果，需要人工輸入水果的特徵資料，生成一定的演算法模型，進而可以準確**具有這些特徵的水果的型別，而深度學習則能自動的去發現特徵進而判斷。
2樓：匿名使用者
網路上那麼多深度學習的資料，學習了很多之後還是懵懵懂懂的。我建議你可以聽下菜鳥窩的人工智慧免費公開課，他們老師通過橫向對比的方式，讓你瞭解一個普通的程式和機器學習演算法的相同點/差別點是什麼？對於程式而言就是要一個準確的結果，而對於機器學習而言我們要的是規則。
機器學習有聚類演算法和分類演算法，這是常見的一些機器學習演算法。網路上大多數資料都顯示深度學習只是機器學習的一種特殊型別，今天我們從另一個角度來看，其實深度學習是另外一類演算法的集合，深度學習的核心是網路深度和網路結構。網路深度是一個相對概念，沒有說一個隱藏層要大於多少才算深度學習。
深度學習的另外一個核心是網路結構：深度自信網路、神經網路、迴圈網路、卷積網路都各自是一種結構。按照結構的不同，有不同的分類，比如lstm、resnet都是一種特殊的結構，而不是一種特殊的演算法。
lstm是深度學習演算法領域中的一種網路結構，千萬不要理解為一種演算法。
3樓：
深度學習包含在機器學習中，也是機器學習的一種
4樓：大太陽
深度學習包含在機器學習中，也是機器學習的一種。深度學習模型自己提取特徵，輸入影象進行訓練，而機器學習需要人為提取特徵，即提取影象的特徵篩選後訓練模型。在大量資料的情況下，深度學習效果很好，可以完成很多高難任務。
是當下火熱的也是效果最好的，但是對硬體要求高資料量需求大。機器學習硬體需求低，小資料情況可以得到較好的模型。
5樓：esc__殤
深度學習就是更深入的學習機器語言
6樓：匿名使用者
機器學習——實現人工智慧的一種方式
深度學習——一種實現機器學習的技術
深度學習和機器學習的區別是什麼
7樓：匿名使用者
兩者不是同一個level上的，深度學習是機器學習的一種。
最近火的發紫的深度學習實際上指的的深度神經網路學習，普通神經網路由於訓練代價較高，一般只有3-4層，而深度神經網路由於採用了特殊的訓練方法加上一些小trick，可以達到8-10層。深度神經網路能夠捕捉到資料中的深層聯絡，從而能夠得到更精準的模型，而這些聯絡不容易被普通的機器學習方法所發覺。
8樓：中公教育it優就業
簡單來說，機器學習是實現人工智慧的方法，深度學習是實現機器學習的技術。機器學習在實現人工智慧時中需要人工輔助（半自動），而深度學習使該過程完全自動化
三者關係：
舉個例子：通過機器學習演算法來識別水果是橘子還是蘋果，需要人工輸入水果的特徵資料，生成一定的演算法模型，進而可以準確**具有這些特徵的水果的型別，而深度學習則能自動的去發現特徵進而判斷。
9樓：連麗君
網路上那麼多深度學習的資料，學習了很多之後還是懵懵懂懂的。chris老師通過橫向對比的方式，讓你瞭解一個普通的程式和機器學習演算法的相同點/差別點是什麼？對於程式而言就是要一個準確的結果，而對於機器學習而言我們要的是規則。
機器學習有聚類演算法和分類演算法，這是常見的一些機器學習演算法。網路上大多數資料都顯示深度學習只是機器學習的一種特殊型別，今天我們從另一個角度來看，其實深度學習是另外一類演算法的集合，深度學習的核心是網路深度和網路結構。網路深度是一個相對概念，沒有說一個隱藏層要大於多少才算深度學習。
深度學習的另外一個核心是網路結構：深度自信網路、神經網路、迴圈網路、卷積網路都各自是一種結構。按照結構的不同，有不同的分類，比如lstm、resnet都是一種特殊的結構，而不是一種特殊的演算法。
lstm是深度學習演算法領域中的一種網路結構，千萬不要理解為一種演算法。
希望有幫助到你`
人工智慧，機器學習與深度學習，到底是什麼關係 5
10樓：西線大資料培訓
一、人工智慧
人工智慧(artificial intelligence)，英文縮寫為ai。它是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術科學。
人工智慧是電腦科學的一個分支，它企圖瞭解智慧的實質，並生產出一種新的能以人類智慧相似的方式做出反應的智慧機器，該領域的研究包括語音識別、影象識別、機器人、自然語言處理、智慧搜尋和專家系統等。
人工智慧可以對人的意識、思維的資訊過程的模擬。人工智慧不是人的智慧，但能像人那樣思考、也有可能超過人的智慧。
二、資料探勘
資料探勘(data mining)，顧名思義就是從海量資料中“挖掘”隱藏資訊，按照教科書的說法，這裡的資料是“大量的、不完全的、有噪聲的、模糊的、隨機的實際應用資料”，資訊指的是“隱含的、規律性的、人們事先未知的、但又是潛在有用的並且最終可理解的資訊和知識”。在商業環境中，企業希望讓存放在資料庫中的資料能“說話”，支援決策。所以，資料探勘更偏向應用。
三、機器學習
機器學習(machine learning)是指用某些演算法指導計算機利用已知資料得出適當的模型，並利用此模型對新的情境給出判斷的過程。
機器學習的思想並不複雜，它僅僅是對人類生活中學習過程的一個模擬。而在這整個過程中，最關鍵的是資料。
任何通過資料訓練的學習演算法的相關研究都屬於機器學習，包括很多已經發展多年的技術，比如線性迴歸(linear regression)、k均值(k-means，基於原型的目標函式聚類方法)、決策樹(decision trees，運用概率分析的一種**法)、隨機森林(random forest，運用概率分析的一種**法)、pca(principal component analysis，主成分分析)、svm(support vector machine，支援向量機)以及ann(artificial neural networks，人工神經網路)。
四、深度學習
深度學習(deep learning)的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現資料的分散式特徵表示。
深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋資料，例如影象，聲音和文字。
五、人工智慧與機器學習、深度學習的關係
嚴格意義上說，人工智慧和機器學習沒有直接關係，只不過目前機器學習的方法被大量的應用於解決人工智慧的問題而已。目前機器學習是人工智慧的一種實現方式，也是最重要的實現方式。
早期的機器學習實際上是屬於統計學，而非電腦科學的;而二十世紀九十年代之前的經典人工智慧跟機器學習也沒有關係。所以今天的ai和ml有很大的重疊，但並沒有嚴格的從屬關係。
不過如果僅就計算機系內部來說，ml是屬於ai的。ai今天已經變成了一個很泛泛的學科了。
深度學習是機器學習現在比較火的一個方向，其本身是神經網路演算法的衍生，在影象、語音等富**的分類和識別上取得了非常好的效果。
所以，如果把人工智慧與機器學習當成兩個學科來看，三者關係如下圖所示：
如果把深度學習當**工智慧的一個子學科來看，三者關係如下圖所示
六、資料探勘與機器學習的關係
資料探勘主要利用機器學習界提供的技術來分析海量資料，利用資料庫界提供的技術來管理海量資料。
機器學習是資料探勘的一種重要方法，但機器學習是另一門學科，並不從屬於資料探勘，二者相輔相成。
機器學習和深度學習的區別
11樓：cda資料分析師
現在有很多人對機器學習和深度學習的概念並不是很明白，其實深度學習是機器學習中的一部分，而機器學習是深度學習的基礎，這兩個知識體系都是服務於人工智慧的。
通常我們用機器演算法來解析資料，學習資料，並從中做出理智的判定。根本上講，深度學習用於建立可自我學習和可理智判定的人工“神經網路”。我們可以說深度學習是機器學習的子領域。
而機器學習與深度學習對比具體體現在四方面：
第一是資料依賴。一般來說，效能是區別二者的最主要之處。當資料量小時，深度學習演算法表現不佳。這就是深度學習演算法需要大量的資料才能完美理解的唯一原因。
第二是硬體依賴通常，深度學習依賴於高階裝置，而傳統學習依賴於低端裝置。因此，深度學習要求包含gpu，這是它工作中不可或缺的一部分。它們還需要進行大量的矩陣乘法運算。
第三是功能工程化，在此，領域知識被用於建立特徵提取器，以降低資料的複雜性，並使模式對學習演算法的工作原理上更可見，雖然處理起來非常困難。 因此，這是耗時並需要專業知識的。
第四是解決問題的方法，一般來說，我們使用傳統演算法來解決問題。但它需要將問題分解為不同的部分以單獨解決它們。要獲得結果，請將它們全部合併起來。
12樓：西線大資料培訓
資料依賴性
深度學習與傳統的機器學習最主要的區別在於隨著資料規模的增加其效能也不斷增長。當資料很少時，深度學習演算法的效能並不好。這是因為深度學習演算法需要大量的資料來完美地理解它。
另一方面，在這種情況下，傳統的機器學習演算法使用制定的規則，效能會比較好。
硬體依賴
深度學習演算法需要進行大量的矩陣運算，gpu 主要用來高效優化矩陣運算，所以 gpu 是深度學習正常工作的必須硬體。與傳統機器學習演算法相比，深度學習更依賴安裝 gpu 的高階機器。
特徵處理
特徵處理是將領域知識放入特徵提取器裡面來減少資料的複雜度並生成使學習演算法工作的更好的模式的過程。特徵處理過程很耗時而且需要專業知識。
在機器學習中，大多數應用的特徵都需要專家確定然後編碼為一種資料型別。
特徵可以使畫素值、形狀、紋理、位置和方向。大多數機器學習演算法的效能依賴於所提取的特徵的準確度。
深度學習嘗試從資料中直接獲取高等級的特徵，這是深度學習與傳統機器學習演算法的主要的不同。基於此，深度學習削減了對每一個問題設計特徵提取器的工作。例如，卷積神經網路嘗試在前邊的層學習低等級的特徵(邊界，線條)，然後學習部分人臉，然後是高階的人臉的描述。
問題解決方式
當應用傳統機器學習演算法解決問題的時候，傳統機器學習通常會將問題分解為多個子問題並逐個子問題解決最後結合所有子問題的結果獲得最終結果。相反，深度學習提倡直接的端到端的解決問題。
執行時間
通常情況下，訓練一個深度學習演算法需要很長的時間。這是因為深度學習演算法中引數很多，因此訓練演算法需要消耗更長的時間。最先進的深度學習演算法 resnet完整地訓練一次需要消耗兩週的時間，而機器學習的訓練會消耗的時間相對較少，只需要幾秒鐘到幾小時的時間。
但兩者測試的時間上是完全相反。深度學習演算法在測試時只需要很少的時間去執行。如果跟 k-nearest neighbors（一種機器學習演算法）相比較，測試時間會隨著資料量的提升而增加。
不過這不適用於所有的機器學習演算法，因為有些機器學習演算法的測試時間也很短。
可解釋性
至關重要的一點，我們把可解釋性作為比較機器學習和深度學習的一個因素。
我們看個例子。假設我們適用深度學習去自動為文章評分。深度學習可以達到接近人的標準，這是相當驚人的效能表現。
但是這仍然有個問題。深度學習演算法不會告訴你為什麼它會給出這個分數。當然，在數學的角度上，你可以找出來哪一個深度神經網路節點被啟用了。
但是我們不知道神經元應該是什麼模型，我們也不知道這些神經單元層要共同做什麼。所以無法解釋結果是如何產生的。
另一方面，為了解釋為什麼演算法這樣選擇，像決策樹(decision trees)這樣機器學習演算法給出了明確的規則，所以解釋決策背後的推理是很容易的。因此，決策樹和線性/邏輯迴歸這樣的演算法主要用於工業上的可解釋性。
機器學習中使用到底是什麼原理,機器學習中使用到底是一個什麼原理
機器學習通俗的說,就是用簡單粗暴的方法來發現事物內在的聯絡。比如我想做手勢識別,我需要一個函式,函式的輸入是手勢資料,輸出是不同手勢的型別。機器學習和人類學習的區別到底是什麼 機器學習是,經過大量資料訓練以及演算法優化以後,計算機可以得出更貼合人常識的結論。人類學習是,通過接觸環境或者知識來的 也可...
學習到底是為了什麼，學習是為了什麼
希望你能早日走出學習的陰霾和誤區。想想為什麼要學習吧！讀書不一定有用，但不讀書就一定沒用 雖然書讀書不能百分百保證你能成功，至少讀了書還是有一定的機會 知道嗎？在這個世上機會是很寶貴的，所以我們要去珍惜這些寶貴的機會 當然你不讀書，自己去創業，機會還是有的，但是有一點還是可以確定的，那就是它和讀書一...
學習到底是為了什麼，學習是為了什麼
除非你賦予它意義，否則它什麼都不是。真正的學習是通過體驗得到轉化了的知識成為內在的智慧，讓自己成長。你總會找到你最喜愛的最適合你的方向去學習。只有真正的學習才能讓你燃起永不停息的熱情去追尋生命的意義。那麼你覺得讀書是為了什麼 好多人都問 讀書為了什麼 為了父母還是為了自己?為了自己的未來還是為了父母...