机器学习和深度学习的区别是什么 所以

深度学习是机器学习算法的子类，其不凡性是有更高的复杂度。因此，深度学习属于机器学习，但它们相对不是同样的概念。咱们将浅层学习称为不是深层的那些机器学习技术。

让咱们开局将它们放到咱们的环球中：

这种高度复杂性基于什么?

在通常中，深度学习由神经网络中的多个暗藏层组成。咱们在《从神经元到网络》一文中解释了神经网络的基础常识，而后咱们曾经将深度学习引见为一种不凡的超级网络：

层数的参与和网络的复杂性被称为深度学习，相似于类固醇(steroids)上的惯例网络。

为什么这种复杂性是一个长处?

常识在各个层间流动。就像人类学习，一个逐渐学习的环节。第一层专一于学习更详细的概念，而更深的层将经常使用曾经学习的消息来排汇得出更多形象的概念。这种结构数据示意的环节称为特色提取。

它们的复杂体系结构为深度神经网络提供了智能口头特色提取的才干。同样，在惯例的机器学习或浅层学习中，此义务是在算法阶段之在口头的。由人员，数据迷信家团队(而非机器)担任剖析原始数据并将其更改为有价值的配置。

深度学习的基本长处在于，可以在无结构化数据上训练这些算法，而有限度地访问消息。这种弱小的条件为他们提供了取得更多有价值的学习的时机。

兴许如今您在想...

从多少层开局，它被视为深度学习?关于浅层学习何时完结和深度学习何时开局尚无一致定义。但是，最分歧的共识是，多个暗藏层象征着深度学习。换句话说，咱们思考从至少3个非线性转换启动深度学习，即大于2个暗藏层+1个输入层。

除了神经网络之外，还有其余深度学习吗?

我也无法对此达成齐全共识。但是，仿佛无关深度学习的一切至少或直接地与神经网络无关。因此，我赞同那些断言没有神经网络就不会存在深度学习的人的观念。

咱们什么时刻须要深度学习?

通用迫近定理( Universal Approximation Theorem,UAT)申明，只要一个有限层神经元的暗藏层足以迫近任何寻觅的配置。这是一个令人印象深入的陈说，其要素有两个：一方面，该定理证实了神经网络的渺小才干。但是，另一方面，这能否象征着咱们永远不须要深度学习?不，深吸一口吻，并不象征着……

UAT并未指定必定蕴含多少个神经元。虽然单个暗藏层足以为特定配置建模，但经过多个暗藏层网络学习它或者会愈加有效。此外，在训练网络时，咱们正在寻觅一种配置，可以最好地概括数据中的相关。即使单个暗藏网络能够示意最适宜训练示例的配置，这也不象征着它可以更好地概括训练集中数据的行为。

Ia Goodfellow，Yahua Bengio，Aaron Courville的《深度学习》一书对此启动了很好的解释：

总而言之，具备单层的前馈网络足以示意任何配置，但是该层或者过大而无法正确学习和概括。在许多状况下，经常使用更深化的模型可以缩小示意配置所需的单元数，并可以缩小泛化误差。

总结

深度学习基本上是机器学习的子类，它是经常使用多个暗藏层的神经网络。它们的复杂性准许这种类型的算法自行口头特色提取。由于它们能够处置原始数据，因此可以访问一切消息，因此有或者找到更好的处置打算。