关于机器学习和深度学习，今日份学习笔记
很怀念小时候，那时报纸、杂志、电视和广播是我们的灯塔，图书馆是我们的星辰大海。那时我们的记忆力好于体力，没有云存储，只有脑回路。
这是申鹤公众号第790天的第784篇原创文章
1956年，几个计算机科学家相聚在达特茅斯会议，提出了“人工智能”的概念，梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。
其后，人工智能就一直萦绕于人们的脑海之中，并在科研实验室中慢慢孵化。之后的几十年，人工智能一直在两极反转，或被称作人类文明耀眼未来的预言，或被当成技术疯子的狂想扔到垃圾堆里。
直到2012年之前，这两种声音还在同时存在。
2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。
还是那句话，人是因为相信才看见，不是因为看见才相信。
最近几天，满脑子都在萦绕自然语言处理、图像识别、语音识别、机器学习、深度学习、推荐算法、搜索算法等这些人工智能领域的专业技术术语，也在一点点补自己在AI方面的技术短板。
研究到机器学习和深度学习的时候，有了一点疑惑，到底这两者的关系和区别是什么？机器学习又是人工智能的核心，那深度学习又是怎么回事？
为了搞懂这个问题，我查阅资料后写下这篇文章。
首先，什么是机器学习？什么又是深度学习？
机器学习（Machine Learning，ML）是人工智能的子领域，也是人工智能的核心。
举个例子，假设要构建一个识别猫的程序。传统上如果我们想让计算机进行识别，需要输入一串指令，例如猫长着毛茸茸的毛、顶着一对三角形的的耳朵等，然后计算机根据这些指令执行下去。
但是如果我们对程序展示一只老虎的照片，程序应该如何反应呢？更何况通过传统方式要制定全部所需的规则，而且在此过程中必然会涉及到一些困难的概念，比如对毛茸茸的定义。因此，更好的方式是让机器自学。
我们可以为计算机提供大量的猫的照片，系统将以自己特有的方式查看这些照片。随着实验的反复进行，系统会不断学习更新，最终能够准确地判断出哪些是猫，哪些不是猫。
而提到深度学习（Deep Learning，DL），通过一个例子说明，大家就慢慢理解了。
比如我们要区分下面的形状，哪个是圆的那个是方的？
我们的眼睛第一件要做的事情，就是看看这个形状有没有4条边。如果有的话，就进一步检查，这4条边是不是连在一起，是不是等长的，是不是相连的互相垂直。如果满足上面这些条件，那么我们可以判断，是一个正方形。
从上面的过程可以看出，我们把一个复杂的抽象的问题（形状），分解成简单的、不那么抽象的任务（边、角、长度...）。深度学习从很大程度上就是做这个工作，把复杂任务层层分解成一个个小任务。
再比如，识别猫和狗。
如果是传统机器学习的方法，我们会首先定义一些特征，如有没有胡须，耳朵、鼻子、嘴巴的模样等等。总之，我们首先要确定相应的“面部特征”作为我们的机器学习的特征。
而现在，深度学习的方法则更进一步。深度学习会自动地找出这个分类问题所需要的重要特征，而传统机器学习则需要我们人工地给出特征。
那么，深度学习是如何做到这一点的呢？
3）在构建层级网络之后，就可以确定哪些组合可以识别出猫和狗。
我找到了下面这张图，我觉得已经很清晰地阐述出来机器学习和深度学习的关系了。
上面我们大概了解了机器学习和深度学习的工作原理，下面我们从几个重要的方面来对比两种技术。
1、数据依赖
随着数据量的增加，二者的表现有很大区别：
可以发现，深度学习适合处理大数据，而数据量比较小的时候，用传统机器学习方法也许更合适。
2、硬件依赖
深度学习十分地依赖于高端的硬件设施，因为计算量实在太大了。深度学习中涉及很多的矩阵运算，因此很多深度学习都要求有GPU参与运算，因为GPU就是专门为矩阵运算而设计的。相反，普通的机器学习随便给一台破电脑就可以跑。
3、特征工程
特征工程就是前面的案例里面讲过的，我们在训练一个模型的时候，需要首先确定有哪些特征。
在机器学习方法中，几乎所有的特征都需要通过行业专家在确定，然后手工就特征进行编码。
然而深度学习算法试图自己从数据中学习特征。这也是深度学习十分引人注目的一点，毕竟特征工程是一项十分繁琐、耗费很多人力物力的工作，深度学习的出现大大减少了发现特征的成本。
深度学习，作为目前最热的机器学习方法，但并不意味着是机器学习的终点。起码目前存在以下问题：
1. 深度学习模型需要大量的训练数据，才能展现出神奇的效果，但现实生活中往往会遇到小样本问题，此时深度学习方法无法入手，传统的机器学习方法就可以处理；
2. 有些领域，采用传统的简单的机器学习方法，可以很好地解决了，没必要非得用复杂的深度学习方法。
今日份学习笔记。
点击原文，查看已日更的500篇文章~