科普深度学习和机器学习有何区别

腾讯数码讯（肖恩）近几个月来，微软，谷歌，苹果，Facebook和其他技术公司纷纷宣布我们不再生活在移动优先的世界。相反，这个世界已经变成了人工智能优先。虚拟助手和其他服务将成为你的主要信息来源，帮助你完成日常任务。你的智能手机或个人电脑现在要退居次席了。

支持这个新方向的是你可能经常听到的两个术语：机器学习和深度学习。它们是“教”人工智能来执行任务的两种方法，但用途可远远不止创建智能助手那么简单。那么机器学习和深度学习究竟有何不同？本文将对此进行一番探究。

电脑现在有了视觉、听觉和讲话的能力

在机器学习的帮助下，计算机现在可以通过“训练”来预测天气，确定股票市场的结果，了解购物习惯，控制工厂中的机器人等众多功能。谷歌，亚马逊，Facebook，Netflix，LinkedIn以及更多面向消费者的热门服务都得到机器学习的支持。而所有这些学习的核心就是所谓的算法。

简而言之，算法不是一个完整的计算机程序（一组指令），而是解决单个问题的有限步骤。举个例子，搜索引擎会依靠一种算法来抓取你输入到搜索字段框中的文本，并搜索连接的数据库以提供相关的搜索结果。它需要采取具体步骤来实现单一、具体的目标。

其实早在1965年之后，机器学习就已经出现了。Arthur Samuel当时不想编写一个非常详细，冗长的程序，让计算机在西洋跳棋中打败自己。相反，他创造了一种算法，使计算机能够自我对抗数千次，并从中“学习”如何成为一位独立的对手。等到1962年，这台电脑击败了康涅狄格州的跳棋冠军。

因此，机器学习的核心是试验和错误。我们不能手动编写程序来帮助自动驾驶汽车区分行人与树木或车辆，但我们可以为程序创建一套使用数据来解决问题的算法。算法还可以用来帮助程序预测飓风的路径，对阿尔茨海默氏症进行早期诊断，确定世界上薪水最虚高和最过低的足球明星等等。

机器学习通常是在低端设备上运行的，它会将问题分解成多个部分。每个部分会按顺序被解决，然后组合在一起以创建单个问题答案。卡内基梅隆大学着名的机器学习贡献者Tom Mitchell解释说，如果计算机程序的特定任务的性能得到提高，那么计算机程序将可以从这些经验中得到“学习”。机器学习算法本质上是使程序能够进行预测，并且随着时间的推移，根据试验和错误经验提高预测的准确率。

以下是机器学习的四种主要类型：

监督机器学习

在这种情况下，你需要向计算机程序提供带有标签的数据。举个例子，如果分配的任务是使用分类图像算法区分男孩和女孩的图片，那么男孩的照片会被打上“男孩”标签，女孩的照片会被打上“女孩”标签。这被认为是一种“训练”数据集，在程序能够以可接受的速率成功地对图像进行分类之前，这些标签会一直被保留。

半监督机器学习

在这种情况下，只有少数图像被标记。计算机程序随后将使用算法对未标记的图像进行最佳猜测，然后将数据作为训练数据反馈给程序。随后，它会被提供一批新的图像，当中只有少数分类标签。这是一个重复的过程，直到程序能以可接受的速度区分男孩和女孩。

无监督机器学习

这种类型的机器学习不涉及任何标签。相反，程序会被要求使用两种方法之一将男孩和女孩的图像分成两组。当中的一种算法被称为“聚类”，它会根据诸如头发长度，下巴大小，眼睛位置等特征将相似的对象分组在一起。另一种算法称为“关联”，程序会根据它发现的相似性创建if / then规则。换句话说，它会对图像之间的共同模式作出判断，并对它们进行相应的排序。

增强机器学习

国际象棋是这种算法一个很好的例子。该程序知道游戏的规则和玩法，并会按部就班地完成一轮对弈。提供给该计划的唯一信息是它是否赢得比赛。它会一直重播比赛，追踪自己成功的落子，直到最终赢得比赛。

深度学习

深度学习基本上是“更深层次”的机器学习。它的灵感来源于人类大脑的工作方式，但需要能够处理数字和巨量大数据的独立显卡的高端计算机才能工作。

相比会把问题分解成多个部分并逐个解决的标准机器学习算法，深度学习会以端到端的方式来解决问题。更棒的是，提供深度学习算法的数据和时间越多，解决任务的效果越好。

在我们的机器学习示例中，我们使用了由男孩和女孩组成的图像。该程序会使用算法来对这些图像进行分类，主要基于填鸭式的数据。但如果是深度学习，数据不提供给程序使用。相反，它会扫描图像中的所有像素，以发现可用于区分男孩和女孩的边缘。之后，它会将边缘和形状置于可能重要的排序中以确定这两种性别。

用更简单的话来说，机器学习将根据人类提供的信息来区分正方形和三角形：正方形有四个点，三角形有三个。通过深度学习，该程序不会把填鸭式信息作为起点。相反，它使用算法来确定形状有多少条线，这些线是否连通，以及它们是否垂直。当然，算法最终会发现插入的圆不适合其正方形和三角形排序。

同样，后者的“深度思考”过程需要更多的硬件来处理算法生成的大数据。这些机器倾向于驻留在大型数据中心中，以创建人工神经网络来处理生成的所有大数据，并将其提供给人工智能应用程序。使用深度学习算法的程序也需要更长时间的训练，因为他们需要在没有人为辅助的情况下独立学习。

翻译是深度学习一个不错的应用案例。这项技术能够聆听主持人以英语进行的交谈，并通过文字和电子语音实时将他的话翻译成不同的语言。由于整体语言，语言使用，语音音调以及硬件成熟能力的不同，这方面的发展多年以来都比较缓慢。

深度学习还能用来驱动聊天机器人，比如亚马逊Alexa，微软Cortana，Facebook和Instagram等。在社交媒体上，基于深度学习的算法可以用来提供联系方式和页面建议。即使你没有访问它们的网站，深度学习也可以帮助这些公司根据你的口味进行个性化广告定制。

“展望未来，下一个大趋势将是”设备“的概念逐渐消失，”谷歌首席执行官Sundar Pichai表示，“随着时间的推移，计算机本身 ——无论它是何形式——将会成为一位智能助手，帮助你度过每一天。我们将从移动优先转移到到人工智能优先的世界。”