機器學習與深度學習有什么異同？深度學習和一般機器學習的區(qū)別是什么1:一般機器學習一般指決策樹、邏輯回歸、支持向量機、xgboost等，深度學習的主要特點是使用深度神經(jīng)網(wǎng)絡(luò)：深度卷積網(wǎng)絡(luò)、深度循環(huán)網(wǎng)絡(luò)，

機器學習與深度學習有什么異同？

深度學習和一般機器學習的區(qū)別是什么

1:一般機器學習一般指決策樹、邏輯回歸、支持向量機、xgboost等，深度學習的主要特點是使用深度神經(jīng)網(wǎng)絡(luò)：深度卷積網(wǎng)絡(luò)、深度循環(huán)網(wǎng)絡(luò)，遞歸網(wǎng)絡(luò)等。算法在層次上沒有相似性。很難說相似性可能是每個人的函數(shù)都要擬合的高維函數(shù)。 ] ]2:一般機器學習在分析低維和可解釋的任務(wù)時表現(xiàn)更好。例如，數(shù)據(jù)挖掘和推薦算法。它們的特點是，總體而言，所收集的數(shù)據(jù)維數(shù)不高。以廣告推送任務(wù)為例，一般分析的數(shù)據(jù)維度僅包括性別、年齡、學歷、職業(yè)等，參數(shù)調(diào)整方向明確。

3：深度學習算法擅長分析高維數(shù)據(jù)。例如，圖像、聲音等。例如，圖像可以具有千萬像素，相當于千萬特征向量維，并且像素之間的關(guān)系不是特別明顯。在這種情況下，卷積神經(jīng)網(wǎng)絡(luò)能夠有效地處理這一問題，基本上能夠非常準確地掌握圖像的特征。但各維度的解釋力很弱，參數(shù)調(diào)整的方向也不明確（神經(jīng)元個數(shù)、隱層個數(shù)等）。綜上所述，兩者其實有很大的不同。近年來，深度學習得到了發(fā)展。傳統(tǒng)的機器學習算法大多來源于概率論和信息學。在編程方面，傳統(tǒng)的機器學習模型基本上集成到sklearn包中。對于深度學習，可以使用tensorflow作為框架。對于傳統(tǒng)機器學習的詳細理解，可以從李航的統(tǒng)計原理或周志華的機器學習（又稱西瓜書）中看到。由于近兩年關(guān)于深度學習的書籍不多，我們可以參考近兩年關(guān)于深度學習的論文。當然，它們都需要一個堅實的數(shù)學基礎(chǔ)，主要是三本書：線性代數(shù)或高等代數(shù)，高等數(shù)學或數(shù)學分析，概率論或隨機過程

！分類問題和回歸問題都需要根據(jù)訓練樣本找到一個真正的解決方案?；貧w問題是：給定一個新的模式，根據(jù)訓練集推斷出相應(yīng)的輸出y（實數(shù)）。

換句話說，y=g（x）用于推斷任何輸入x的相應(yīng)輸出值。分類問題是：給定一個新模式，根據(jù)訓練集推斷其相應(yīng)的類別（如：1，-1）。也就是說，用y=sign（g（x））來推斷任何輸入x對應(yīng)的類別，綜上所述，回歸問題和分類問題的本質(zhì)是一樣的，唯一的區(qū)別是它們的輸出值范圍不同。在分類問題中，只有兩個值可以作為輸出，而在回歸問題中，任何實數(shù)都可以作為輸出。

支持向量機回歸與分類的區(qū)別？

謝謝。我可以確切地說，不！也許首先，為什么深度學習被稱為“深度”？從當前技術(shù)的角度來看，深度學習結(jié)合底層特征，形成更抽象的屬性類別或特征的高層表示，從而發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。

深度學習屬于前者，它有很多參數(shù)需要調(diào)整，是一個非常大的參數(shù)模型。一般的機器學習模型屬于后者，它需要強大的特征來分離數(shù)據(jù)，最終得到不同的類別。

一般來說，目前深度學習確實有很多優(yōu)勢。例如，對我來說，這是非常簡單和暴力的。它不需要很長時間來調(diào)整參數(shù)，清理數(shù)據(jù)，并把它扔進去看看結(jié)果。如果不好，調(diào)整參數(shù)繼續(xù)嘗試。一般的機器學習模型不是這樣的。它需要大量的特征工程。但是，深度學習有一個問題，到目前為止還沒有解決的工程。它是一個可解釋性差的“黑匣子”，導致系統(tǒng)出現(xiàn)錯誤，無法快速找出原因或追溯以前的錯誤。所以在工程中，我們實際上更喜歡特征少的工程和解釋性強的模型來獲得更好的結(jié)果。我們期待著深學在未來科學技術(shù)的進一步發(fā)展。

我將在這里發(fā)表所有關(guān)于算法、機器學習和深度學習的有趣文章。

編寫代碼不容易。如果這篇文章對你有幫助，請喜歡