深度学习与传统机器学习的不同

深度学习与传统机器学习： 选择最适合的方法

简介术语您的项目您的数据您的硬件结束语算法猜想：问答专区深度学习与传统机器学习：选择最适合的方法

347263552

56

深度学习与传统机器学习：选择最适合的方法 | 3放眼互联网，关于 AI 、深度学习和机器学习重要性的文章随处可见。 身为工程师或研究人员，务必充分利用这项新兴技术的优势，那么究 竟从何处入手呢？ 在本电子书中，我们将探讨深度学习方法与传统机器学习方法之间的主要区别，帮助您确定初期工作重点。我们从三个角度来说明应当从机器学习还是深度学习（您的项目、数据和硬件）着手开展工作，而后通过案例研究陈述可以综合运用二者的时机。 本电子书假设读者对 AI 技术具有基本了解，并会讨论选择优先算法的过程中需要考虑的注意事项。有关应用这些技术的简介，请参见 MATLAB 机器学习和 MATLAB 深度学习简介。

简介

术语

AI ：人工智能 (AI) 是一种计算机系统，经过训练后可以感知环境、做出决策及采取行动。 机器学习：构建自动根据数据开展学习的模型的技术。在本电子书中，我们使用机器学习作为“传统机器学习”的简写形式 — 在传统机器学习工作流程中，你手动选择要使用的相关特征并训练模型。

当我们提到机器学习时，并不包括深度学习。常见技术包括决策树、回归、支持向量机和集成方法。

术语

Thousand Million

Quadrillion

FLOPS

数据分析算法的发展历程。

术语

深度学习：机器学习的一个分支，它根据人脑神经通路进行松散建模。

深度学习与机器学习之间的主要区别在于，这种算法不再手动选择相关

特征，而是自动学习哪些特征有用处。常见技术包括卷积神经网络、循环

神经网络和深度 Q 网络。

算法：用于训练模型执行目标操作的规则集或指令集。

模型：经过训练后可根据一组给定输入预测输出的程序。

深度学习与传统机器学习：选择最适合的方法 | 6

您的项目

您的项目：您想做什么？

首先弄清楚自己想要实现的目标，这一点会很有帮助。关于选择深度学习

而不是机器学习算法，是有一些硬性规则的，在选择时按图索骥即可。

多个步骤，经过综合考量，更适合应用深度学习。

下表列出了一些经常执行的任务，但并非详尽无遗。

深度学习简介：机器学习对比深度学习(3:48)

深度学习与传统机器学习：选择最适合的方法 | 8

您的项目：您想做什么？

根据历史数据和当前数据预测输出。

基于相似性的剩余寿命预测示例采用线性回归。

应用：预测性维护、金融贸易、推荐系统

输入：传感器数据、具有时间戳的财务数据、数值型数据

常见算法：线性回归、决策树、支持向量机 (SVM)、神经网络、关联规则

预测剩余寿命。

深度学习与传统机器学习：选择最适合的方法 | 9

您的项目：您想做什么？

识别图像、视频和信号数据中的对象或动作。

示例：创建可以检测车辆的计算机视觉应用程序。使用 Faster R-CNN

深度学习进行对象检测示例采用卷积神经网络。

应用：高级驾驶辅助 (ADAS) 系统，采用对象检测、机器人、计算机视觉感

知技术进行图像识别、活动检测、语音生物识别（声纹）

输入：图像、视频、信号

常见算法：CNN、聚类、Viola-Jones

使用 R-CNN 检测车辆。

深度学习与传统机器学习：选择最适合的方法 | 10

您的项目：您想做什么？

实地探索路线或仿真规划路线。

示例：执行机器人路线规划，了解抵达目的地的最佳可行路线。

强化学习 (Q-Learning) 文件交换提交采用深度 Q 网络。

应用：控制系统、制造机器人、自动驾驶汽车、无人机、视频游戏

输入：三角函数、物理原理、传感器数据、视频、激光雷达数据

常见算法：强化学习（深度 Q 网络）、人工神经网络 (ANN)、CNN、

循环神经网络 (RNN)

泊车路径规划。

深度学习与传统机器学习：选择最适合的方法 | 11

您的项目：您想做什么？

探索趋势、揭露情感、发现欺诈或威胁。

用隐含狄利克雷分布 (LDA) 主题模型。

应用：将自然语言处理用于安全记录、市场调研或医学研究、情感分析、

网络安全、文档摘要

输入：流式文本数据、静态文本数据

常见算法：RNN、线性回归、SVM、朴素贝叶斯、隐含狄利克雷分布、

隐含语义分析、word2vec

可视化常见主题相关单词。

深度学习与传统机器学习：选择最适合的方法 | 12

您的项目：您想做什么？

增强图像和信号。

示例：通过低分辨率图像创建高分辨率图像。深度学习在单图像超分

辨率上的应用示例采用极深超分辨率 (VDSR) 神经网络。应用：提高图像分辨率、音频信号去噪

输入：图像和信号数据

神经网络

常见算法：LSTM、CNN、VDSR

深度学习与传统机器学习：选择最适合的方法 | 13

您的项目：您想做什么？

根据上下文和所学例程对语音和文本命令做出响应。

行语音命令识别示例采用 CNN。

应用：客户服务呼叫、智能设备、虚拟助理、机器翻译和听写

输入：声学数据、文本数据

常见算法：RNN（特别是 LSTM 算法）、CNN、word2vec

语音命令“打开对应”的音频信号。

深度学习与传统机器学习：选择最适合的方法 | 14

深度学习与传统机器学习：选择最适合的方法 | 15您的项目：需要达到多高的准确率？

准确率是所有机器学习和深度学习项目的关键指标。项目初期，通常集中

精力实现最高准确率，其他问题（如模型内存占用或预测速度）则留待后

续处理。

直观地说，这种方法合情合理；先确定可以达到的最高准确率，再研究可

能降低生产环节准确率的种种限制，这么做是会有所帮助。

您需要运用更多数据训练网络去区分相似图像，

如非洲燕子和欧洲燕子。

您的项目：需要达到多高的准确率？

一般而言，深度学习技术生成的结果的准确率要高于传统机器学习技术，Array因为深度学习采用的模型更复杂，模型中的参数也更多，因而与数据的“契

合度”更高。

如果你有大量数据，和一种非常适合采用深度学习解决问题的应用场景，

那么你可能希望优先采用深度学习技术，因为这项技术可以提供更准确

的结果。

深度学习与传统机器学习：选择最适合的方法 | 16

您的项目：需要达到多高的准确率？

如果一味苛求准确率，很可能导致模型过度拟合。当算法与训练数据的联

系过于紧密时会引发这种情况，促使无法推广应用于更大的数据集。

数据。首先，使用训练和验证数据训练模型；数据需充分反映真实数据，

务必掌握足够的数据。训练模型后，使用全新的测试数据检查模型是否

运行良好。

过度拟合的模型无法有效处理意外数据。

深度学习与传统机器学习：选择最适合的方法 | 17

您的项目：需要达到多高的准确率？

如果认为您的模型开始过度拟合数据，请参见以下术语：

正则化 –对参数施加罚值，帮助防止模型过度依赖单个数据点。

丢弃概率 –随机跳过一些数据，避免模型记忆数据集。

与现实生活极为相似，这其中存在基本常识和反复试错的因素。大部分从

业者通过实验了解各种参数对准确率带来的影响，逐渐形成一种特殊的

直觉。

请记住…

某一时刻可能接近收益递减点，届时调整模型可略微提高准确率。

务必始终牢记最终目标；如有可能，还要从准确率和过度拟合危害

的角度考量增量式改进的影响。

套索拟合系数跟踪图。

深度学习与传统机器学习：选择最适合的方法 | 18

您的项目：需要解释结果吗？数据科学家通常将分享和解释结果的能力称作模型可解释性。易于解释Array的模型具有：

? 少量特征 – 通常在对系统具备一定实际了解的前提下创建

? 透明决策流程

对于具有下列需求的很多应用而言，可解释性很重要：

? 证明您的模型符合政府或行业标准

? 解释有助于做出诊断的因素

? 展现决策无偏见

您的项目：需要解释结果吗？

如果必须能够展示算法得出结论采取的步骤，请重点关注机器学习技术。

传统统计技术（如线性回归和逻辑回归）已广为接受。如果一次采用一个

决策树，哪怕随机森林也相对容易解释。

深度学习与传统机器学习：选择最适合的方法 | 20

您的项目：领域知识Array您对项目所使用的系统有多少了解？

如果是一项与控制领域相关的应用，是否了解可能影响项目的相关系统？

又或者，您的经验是更加封闭的？

在选择用来训练模型的数据以及确定最重要的数据特征时，专业领域知

识可能发挥作用。

通过示意图展示电梯系统组件彼此连接的方式。

深度学习与传统机器学习：选择最适合的方法 | 21

本文来源：https://www.bwwdw.com/article/ohcq.html