1.特征提取方面
* 机器学习的特征工程步骤是要靠手动完成的,而且需要大量领域专业知识
* 深度学习
通常由多个层组成,它们通常将更简单的模型组合在一起,将数据从一层传递到另一层来构建更复杂的模型。通过训练大量数据自动得出模型,不需要人工特征提取环节。
深度学习算法试图从数据中学习高级功能,这是深度学习的一个非常独特的部分。因此,减少了为每个问题开发新特征提取器的任务。
适合用在难提取特征的图像、语音、自然语言处理领域。
2. 数据量和计算性能要求
机器学习需要的执行时间远少于深度学习,深度学习参数往往很庞大,需要通过大量数据的多次优化来训练参数。
第一、深度学习需要大量的训练数据集
第二、训练深度神经网络需要大量的算力
可能要花费数天、甚至数周的时间,才能使用数百万张图像的数据集训练出一个深度网络。所以深度学习通常
* 需要强大的GPU服务器来进行计算
* 全面管理的分布式训练与预测服务——比如谷歌 TensorFlow 云机器学习平台 <https://cloud.google.com/ml/>
3. 算法代表
* 机器学习
* 朴素贝叶斯、决策树等
* 深度学习
* 神经网络
热门工具 换一换