机器学习和深度学习的区别是什么？

本优势在于，可以在无结构化数据上训练这些算法，而无限制地访问信息。这种强大的条件为他们提供了获得更多有价值的学习的机会。

也许现在您在想...

从多少层开始，它被视为深度学习?关于浅层学习何时结束和深度学习何时开始尚无统一定义。但是，最一致的共识是，多个隐藏层意味着深度学习。换句话说，我们考虑从至少3个非线性转换进行深度学习，即大于2个隐藏层+ 1个输出层。

除了神经网络之外，还有其他深度学习吗?

我也无法对此达成完全共识。然而，似乎有关深度学习的一切至少或间接地与神经网络有关。因此，我同意那些断言没有神经网络就不会存在深度学习的人的观点。

我们什么时候需要深度学习?

通用逼近定理( Universal Approximation Theorem, UAT)声明，只有一个有限层神经元的隐藏层足以逼近任何寻找的功能。这是一个令人印象深刻的陈述，其原因有两个：一方面，该定理证明了神经网络的巨大能力。但是，另一方面，这是否意味着我们永远不需要深度学习?不，深吸一口气，并不意味着……

UAT并未指定必须包含多少个神经元。尽管单个隐藏层足以为特定功能建模，但通过多个隐藏层网络学习它可能会更加有效。此外，在训练网络时，我们正在寻找一种功能，可以最好地概括数据中的关系。即使单个隐藏网络能够表示最适合训练示例的功能，这也不意味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》一书对此进行了很好的解释：

总而言之，具有单层的前馈网络足以表示任何功能，但是该层可能过大而无法正确学习和概括。在许多情况下，使用更深入的模型可以减少表示功能所需的单元数，并可以减少泛化误差。

总结

深度学习基本上是机器学习的子类，它是使用多个隐藏层的神经网络。它们的复杂性允许这种类型的算法自行执行特征提取。由于它们能

（编辑：济南站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!