深度学习与机器学习

深度学习是机器学习 (ML) 的子集。您可以把它看作是一种高级的机器学习技术。两者都有多种应用场景。但是，深度学习解决方案需要更多资源：更大的数据集、更多的基础设施要求和更高的后续成本。

以下是机器学习和深度学习之间的其他区别。

使用机器学习还是深度学习的决定取决于您需要处理的数据类型。机器学习从结构化数据（例如分类和推荐系统）中识别模式。例如，一家公司可以使用机器学习根据先前的客户流失率数据预测客户何时会取消订阅。 

另一方面，深度学习解决方案更适合非结构化数据，在非结构化数据中，需要高度的抽象化才能提取特征。深度学习的任务包括图像分类和自然语言处理，其中需要识别数据对象之间的复杂关系。例如，深度学习解决方案可以分析社交媒体的提及情况，以确定用户的情绪。

传统机器学习通常需要执行特征工程，即人们从原始数据中手动选择和提取特征并为其分配权重。相反，深度学习解决方案只需最少的人工干预即可执行特征工程。

深度学习的神经网络架构在设计上更加复杂。深度学习解决方案的学习方式以人脑的工作方式为模型，节点代表神经元。深度神经网络由三层或更多层节点组成，包括输入层和输出层节点。 

在深度学习中，神经网络中的每个节点都会自动为每个特征分配权重。信息从输入到输出，沿正向方向流经网络。然后计算预测产出和实际产出之间的差异。这个错误通过网络反向传播以调整神经元的权重。

由于自动加权过程、架构层次的深度以及所使用的技术，因此需要通过模型来为深度学习中远多于机器学习的运算求解。

机器学习有四种主要的训练方法：有监督学习、无监督学习、半监督学习和强化学习。其他训练方法还包括迁移学习和自监督学习。

相比之下，深度学习算法使用几种更复杂的训练方法。其中包括卷积神经网络、循环神经网络、生成式对抗网络和自动编码器。

机器学习和深度学习都有特定的用例，它们在这些用例中的性能优于其他用例。

对于较简单的任务，例如识别新的垃圾邮件，机器学习较为适用，而且通常会优于深度学习解决方案。对于较复杂的任务，例如医学成像识别，深度学习解决方案的性能优于机器学习解决方案，因为前者可以识别肉眼看不见的异常。

机器学习和深度学习解决方案都需要大量的人工参与才能发挥作用。必须通过人工定义问题、准备数据、选择和训练模型，然后评估、优化和部署解决方案。

机器学习模型可能更易于人们解释，因为它们源自决策树等更简单的数学模型。

相反，深度学习模型需要花费大量时间才能进行详细分析，因为这些模型在数学上很复杂。话虽如此，但神经网络的学习方式消除了对数据进行人工标记的需求。您可以通过选择预先训练的模型和平台来进一步减少人工参与。

由于深度学习模型更复杂且需要更大的数据集，因此与机器学习模型相比，深度学习模型需要更高的存储和计算能力。机器学习数据和模型可以在单个实例或服务器集群上运行，深度学习模型则通常需要高性能集群和其他重要基础设施。

深度学习解决方案的基础设施要求可能导致其成本比机器学习高出许多。对于运行深度学习解决方案，现场基础设施可能不实用或不划算。您可以使用可扩展的基础设施和完全托管的深度学习服务来控制成本。