机器学习与深度学习：有什么区别？

深入研究两种最大的数据科学方法之间的差异

机器学习和深度学习经常相互混淆，因为它们都属于数据科学的范畴。虽然机器学习和深度学习有相似之处，但它们之间也存在关键差异。

在这里，我们将简要解释这些差异以及每种数据科学的三个示例。

1.数据集，数据集，数据集

机器学习和深度学习之间的第一个关键区别在于所分析的数据类型。机器学习数据集比深度学习数据集大得多。

机器学习数据集通常是结构化数据，这意味着它们具有与数据点相关的标签或类别。例如，该数据集与住房数据相关，包括基于 4 个属性的波士顿房屋信息：

价格 |平方英尺 |卧室 |浴室

3087000 | 2569 | 4 | 2

2674160 | 2388 | 5 | 3

27200000 | 2875 | 7.5+ | 5.5+

机器学习数据集很大但结构化，非常适合数据科学家。

Deep Learning

深度学习数据集通常是没有相关标签的图像、音频文件或视频文件。这种类型的数据集的一个例子是狗和其他动物的照片：

狗 |猫 |马 |蛇

深度学习数据集很大但非结构化。

机器学习数据集比深度学习数据集大，因为标记数据可能非常昂贵。例如，如果数据科学家要为狗构建图像识别数据集，他们将需要雇用人员来阅读与每张照片相关的标签，以纠正不准确的数据。

2. Learning vs. Inference

Machine Learning

机器学习数据集以人脑为模型；他们无需编程即可自行学习。

在训练期间，数据科学家教授机器学习数据集数据中的不同模式。例如，图像包含一只狗。这些数据科学家通过提供有关数据点应如何分类的反馈来做到这一点。

一旦数据科学家教给数据集不同的模式，数据集就可以自行学习，而无需任何人工干预。

Deep Learning

深度学习数据集以大脑为模型，它们使用神经网络进行预测或决策。

然而，与机器学习数据集不同，深度学习数据集需要标签来训练数据集。在训练期间，数据科学家在数据集中标记数据点，以教导数据集如何对数据点进行分类。一旦数据科学家标记了数据集，他们只需要为深度学习数据集提供输入数据。

深度学习数据集将根据训练期间使用的不同算法自行做出预测或决策。

3. 无监督学习与监督学习

机器学习和深度学习数据集之间的第三个关键区别是数据科学家使用监督学习来构建机器学习数据集，而数据科学家使用无监督学习来构建深度学习数据集。

监督学习数据集是具有标签的数据集。这些标签会导致额外的步骤，这可能会使数据科学家在处理现实世界中的数据集时变得困难，因为需要“准备”数据集。数据可能需要聚合或标准化，也可能需要标记或标记。

无监督数据集对其数据点没有任何先验知识。当数据科学家发现数据点时，他们会根据需要标记和标记数据。这些数据点可用于对未来的数据集进行预测。

无监督数据集无法做出决策，但它们可以提供有关数据的重要信息，例如数据如何工作以及数据集中存在哪些模式。

In Summary

机器学习和深度学习都是帮助数据科学家做出预测或决策的数据科学方法。两者之间的区别在于他们的数据分析方法。一种依赖于算法，而另一种则使用以人脑为模型的神经网络。

使用机器学习的数据科学家需要已为监督机器学习任务充分标记的数据集，而深度学习不需要在对其进行分析之前标记数据集信息。

嘿！如果你想在 Medium 上无限阅读数据科学文章——同时支持我——你可以通过下面的链接订阅，只需 5 美元。