深度学习 血战 机器学习

深度学习只能说可以在对输入数据较少干预的情况下获得较好的结果，等于是一个自行提取特征的过程。但是说相形见绌倒未必，首先深度学习并不能解决所有问题，只是说在分类、识别等任务下效果较好，其次深度学习的开支极大，因此大规模应用是个问题。所以你可以认为深度学习在特定条件下确实优于其他部分机器学习算法，但是说相形见绌未免夸张了。

中文译文：

深度学习近年来发展速度很快，并且取得了令人惊奇的好结果。进来有一个在Quara上有关于深度学习是否会替代机器学习的讨论。那么像BP、HMM会像感知机一样被淘汰么？

这问题还是挺难回答的。一个有趣的回答来自Jack Rae，他说：

经验结果显示深度学习这些年来在大数据集上的预测结果确实很不错，但这是一定的吗？我们去年就发现在一个数量级在10亿行的数据集上它的预测能力不是特别好。

他觉得深度学习在大中型数据集上卓越的预测能力学习会让别的机器学习算法边缘化，频临灭绝。其他的机器学习算法会被淘汰因为人们一旦遇到模式识别等的问题第一个想到的就是用深度学习的方法去解决。

另一方面，大多数人仍然相信深度学习不会代替其他的模型或者算法。Jacob Steinhart的意见收获了大量的赞，他写道：

1.对于大多数的应用，像一些简单的算法如逻辑回归、支持向量机表现的已经很不错了，使用深度学习会让问题复杂化。

2.深度学习是可以应用到大部分领域的，但当你从事某一领域，知道这一领域的机器学习算法的话，你完全可以使用它，这时机器学习算法工作的也不错(这句话就是说术业有专攻，什么领域用什么算法，这样效果更好)。 现在已经有一些工作去把各领域的知识融入到深度学习中的，但这并不能完全替代原有的。

上图是一个关于机器学习算法的时间线

就像在20世纪早期SVM一样，深度学习会成为主流，但首先深度学习应当解决其在大数据需求及复杂性方面的问题，这样它才会成为人们的第一选择。

深度学习和机器学习，我们除了从发展的角度来看，还可以从本质上对两项进行择优：

机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

不妨来看下面的经典例子：

#include<iostream>

usingnamespacestd;

voidinput(int&oper,constboolmeth)

{

//meth为true则只判断1，为false则判断1或0

while(true)

{

cin>>oper;

if(meth&&oper==1)

break;

elseif(oper==0||oper==1)

break;

cout<<"输入错误，请重新输入。"<<endl;//判断参数

cin.sync();//避免极端输入导致死循环

cin.clear();

}

}

intmain(void)

{

cout<<"1+1=2吗？那要看您怎么教我了，不要惊讶我会学习的"<<endl;

intladd,radd,aprs,rcnt(0),wcnt(0);//定义输入与结果，正确次数与错误次数

cout<<"开始学习……"<<endl;

for(inti(0);i!=10;++i)

{

cout<<"参数1（必须是1）："<<flush;//提示输入参数

input(ladd,true);

cout<<"参数2（必须是1）："<<flush;

input(radd,true);

cout<<"结果："<<(ladd+radd)<<endl;//输出结果

cout<<"您对这满意吗（满意输入1，不满意输入0）："<<flush;//评价等级

input(aprs,false);

if(aprs)//判断用户评价

++rcnt;

else

++wcnt;

cout<<"正确次数："<<rcnt<<"错误次数："<<wcnt<<endl;//错误次数

}

if(rcnt>wcnt)//判断学习结果

cout<<"主人告诉我1+1=2。"<<endl;

else

if(rcnt<wcnt)

cout<<"主人告诉我1+1!=2。"<<endl;

else

cout<<"我不明白主人是什么意思。"<<endl;

intterm;//退出部分

cout<<"您对我的表现满意吗？满意请输入1不满意请输入0："<<flush;

input(term,false);

if(term)

cout<<"谢谢我会继续努力学习"<<endl;

else

cout<<"谢谢我会继续努力学习D"<<endl;

//cin>>term;//在Windows上测试时启用

return0;

}

不难看出，机器学习的单次效率很高，但是从整体看，有一定的局限性和不可发展性

深度学习呢？

是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。[2] 

同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同．例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。

我们来分析一下：

深度学习只能说可以在对输入数据较少干预的情况下获得较好的结果，等于是一个自行提取特征的过程。但是说相形见绌倒未必，首先深度学习并不能解决所有问题，只是说在分类、识别等任务下效果较好，其次深度学习的开支极大，因此大规模应用是个问题。所以你可以认为深度学习在特定条件下确实优于其他部分机器学习算法，但是说相形见绌未免夸张了。

中文译文：

深度学习近年来发展速度很快，并且取得了令人惊奇的好结果。进来有一个在Quara上有关于深度学习是否会替代机器学习的讨论。那么像BP、HMM会像感知机一样被淘汰么？

这问题还是挺难回答的。一个有趣的回答来自Jack Rae，他说：

经验结果显示深度学习这些年来在大数据集上的预测结果确实很不错，但这是一定的吗？我们去年就发现在一个数量级在10亿行的数据集上它的预测能力不是特别好。

他觉得深度学习在大中型数据集上卓越的预测能力学习会让别的机器学习算法边缘化，频临灭绝。其他的机器学习算法会被淘汰因为人们一旦遇到模式识别等的问题第一个想到的就是用深度学习的方法去解决。

另一方面，大多数人仍然相信深度学习不会代替其他的模型或者算法。Jacob Steinhart的意见收获了大量的赞，他写道：

1.对于大多数的应用，像一些简单的算法如逻辑回归、支持向量机表现的已经很不错了，使用深度学习会让问题复杂化。

2.深度学习是可以应用到大部分领域的，但当你从事某一领域，知道这一领域的机器学习算法的话，你完全可以使用它，这时机器学习算法工作的也不错(这句话就是说术业有专攻，什么领域用什么算法，这样效果更好)。 现在已经有一些工作去把各领域的知识融入到深度学习中的，但这并不能完全替代原有的。

上图是一个关于机器学习算法的时间线

就像在20世纪早期SVM一样，深度学习会成为主流，但首先深度学习应当解决其在大数据需求及复杂性方面的问题，这样它才会成为人们的第一选择。

深度学习只能说可以在对输入数据较少干预的情况下获得较好的结果，等于是一个自行提取特征的过程。但是说相形见绌倒未必，首先深度学习并不能解决所有问题，只是说在分类、识别等任务下效果较好，其次深度学习的开支极大，因此大规模应用是个问题。所以你可以认为深度学习在特定条件下确实优于其他部分机器学习算法，但是说相形见绌未免夸张了。

中文译文：

深度学习近年来发展速度很快，并且取得了令人惊奇的好结果。进来有一个在Quara上有关于深度学习是否会替代机器学习的讨论。那么像BP、HMM会像感知机一样被淘汰么？

这问题还是挺难回答的。一个有趣的回答来自Jack Rae，他说：

经验结果显示深度学习这些年来在大数据集上的预测结果确实很不错，但这是一定的吗？我们去年就发现在一个数量级在10亿行的数据集上它的预测能力不是特别好。

他觉得深度学习在大中型数据集上卓越的预测能力学习会让别的机器学习算法边缘化，频临灭绝。其他的机器学习算法会被淘汰因为人们一旦遇到模式识别等的问题第一个想到的就是用深度学习的方法去解决。

另一方面，大多数人仍然相信深度学习不会代替其他的模型或者算法。Jacob Steinhart的意见收获了大量的赞，他写道：

1.对于大多数的应用，像一些简单的算法如逻辑回归、支持向量机表现的已经很不错了，使用深度学习会让问题复杂化。

2.深度学习是可以应用到大部分领域的，但当你从事某一领域，知道这一领域的机器学习算法的话，你完全可以使用它，这时机器学习算法工作的也不错(这句话就是说术业有专攻，什么领域用什么算法，这样效果更好)。 现在已经有一些工作去把各领域的知识融入到深度学习中的，但这并不能完全替代原有的。

上图是一个关于机器学习算法的时间线

就像在20世纪早期SVM一样，深度学习会成为主流，但首先深度学习应当解决其在大数据需求及复杂性方面的问题，这样它才会成为人们的第一选择。