机器学习和深度学习有什么区别？
Answers:
尽管可以接受上述维恩图表示的内含物，但既不明显，也不准确。
术语“人工智能”，“机器学习”和“深度学习”，虽然不是品牌，但也不是完全科学的。它们是总括性术语，由在发布这些术语时具有特定资金，沟通和部门观点的人员命名。
此外，事物的顺序是不正确的。今天所谓的人工智能是一个使用机器自动进行脑力活动的世纪以来的目标，这些机器在那些日子里需要人类的关注，并可能通过这种自动化来扩展人类的智力。这种远景是在切换电路和信息理论之前，因此在计算机科学之前出现的。
因此，计算机科学实际上是该AI愿景及其之后的一部分。
深度学习是一个术语，它基于不稳定和过于简化的思想，即人工网络中的层数与该层可以实现的抽象深度之间存在相关性。由于层中激活单元的数量称为层的宽度，因此选择深度的选择来表示层数量的维数。这很奇怪，因为典型的制图将每层的单元数量表示为高度，将层的数量表示为宽度，而该图没有深度，因为它是二维的。但这不是真正的问题。网络的深度和抽象的深度没有科学的依据，只是预感，而且在计算机视觉领域有大量证据表明它不是那么简单。
下一张维恩图既不权威也不完美，但上面的一些问题已得到修复。即使它在多个方面更智能地回答了该问题，但如果不大力推动，用术语来选择单词的问题通常是无法纠正的，而这篇文章几乎是不够的。
当我开始书中的机器学习章节时，通常看起来像这样
I）监督下：
回归
- 线性模型
分类
- 逻辑回归
- 神经网络
- 决策树和随机森林
- 提振和装袋
- SVD和SVM
II）无监督学习：
聚类
- K均值
- 分层的
- 高斯混合模型
- 数据库扫描
联想学习。
III）补习学习：
第I> 2> b章突然间创建了自己的子字段。很清楚为什么，让我告诉您一些历史。Machine learning1959年，亚瑟·塞缪尔（Arthur Samuel）创造了这个词，以表示这machines were able to learn from data一点，而不是明确的指示。最初根据是否需要标签数据将其分为两组（即回归，分类），然后他们意识到我们也可以通过聚类来进行分类，从而在无监督的情况下诞生。单词强化学习源于游戏理论领域。让我们保留这些细节以备后用。
深入学习，这个词deep learning是最近才出现的，最早是在2008年Geoff Hinton会议上。还有人开始用它来表示由杰夫·辛顿的一篇论文，从此开始它有点儿变得像分类机器学习之外的一种新的方式使用了非常深刻的神经网络结构supervised，unsupervised或reinforcement（光盘：有可能是奇数参考在此之前将NN称为DL，但在此之前不太流行和可以接受）
好吧，我有时会觉得这个名字deep learning有些用词不当，如果命名为neural learning或强调深度，那会更好deep neural learning。如果您是新手，您可能想知道我在说什么深度，那么整个词都来自一个事实，即神经网络（感谢GPU的高处理能力）现在已经能够在多层上成功训练。“深”一词也可以宽松地用于包括机器学习的其他非神经网络领域，这些领域需要大量计算，例如deep belief net或recurrent net。为了精确当今网络的单位不再是一个单纯的neuron或者perceptron，也可以是LSTM，GRU或者capsule，所以我想这个词deep现在更有意义比以前。
这是的基本定义machine learning：
“解析数据的算法，从数据中学习，然后运用所学知识做出明智的决策”
机器学习算法的一个简单示例是点播音乐流服务。为了使服务能够决定向听众推荐哪些新歌曲或新歌手，机器学习算法将听众的喜好与具有相似音乐品味的其他听众相关联。
机器学习推动了各种各样的自动化任务，涉及多个行业，从数据安全公司搜寻恶意软件到为寻求有利交易的专业人士提供资金。它们被设计为像虚拟个人助理一样工作，并且运行良好。
实际上，deep learning这只是机器学习的一个子集。从技术上讲，它是机器学习，并且以类似的方式起作用（因此，有时有时会松散地互换术语），但是其功能却有所不同。
无论功能如何，基本的机器学习模型的确会逐渐变得更好，但它们仍具有一定的指导意义。如果ML算法返回的预测不准确，则工程师需要介入并进行调整。但是，借助深度学习模型，算法可以自行确定预测是否准确。
