来源商业新知网，原标题：选机器学习还是深度学习，看完就不纠结了~
大哥你好，我是来学「人工智能」的。但是，啥是「深度学习」？啥是「机器学习」？「深度学习」和「机器学习」有啥关系？我究竟该学「深度学习」还是「机器学习」？
在入门时，很多人都会被这几个问题绕晕了。但相信我，看完这篇文章，所有的这些疑惑都会被解决！
搞懂概念
首先，我们来搞懂「人工智能」、「机器学习」和「深度学习」这三个概念和概念之间的联系。
一、什么是人工智能？
人工智能是通过软件和硬件来 「模拟」和「模仿」智能人类行为 的研究。大家记得《终结者》里的天网和T-800吗？它们就是「人工智能」哦！
二、什么是机器学习？
机器学习是AI的一个子领域，它通过算法将AI概念应用于计算系统。计算机 识别数据模式并根据数据模式采取行动 ，随着时间的推移学习提高其准确性而无需明确的编程。机器学习的背后是预测编码，聚类和视觉热图等分析方法。我们打开某宝、某东时的购物推荐就是机器学习的一个应用啦~
三、什么是深度学习？
深度学习是机器学习的子领域，是人工神经网络的另一个名字。深度学习网络 模仿人类大脑感知与组织的方式 ，根据数据输入做出决策。AlphaGo就是我们最耳熟能详的深度学习的应用！此外，虽然现在「天网」还没出现，但是「天网」的基础，深度学习已经出现啦！
简而言之， 机器学习是人工智能的一部分，深度学习是机器学习的一部分，这就是三者的关系。
「机器学习」vs. 「深度学习」，我应该学哪个？
刚才说了，深度学习是机器学习的一部分，它们的关系就像「扳手」和「整套工具」 的关系。因此，如果你想搞个应用，你更应该先学机器学习，了解一下整套工具。而是否要学习深度学习（扳手）要仔细考虑考虑——毕竟，深度学习是一个在发展中的技术，并且用花掉你大把的钱！（买显卡……）
话说回来，深度学习虽然仍在发展中，但已经有很多深度学习的产品已经进入市场了，假以时日，深度学习的应用将会变得更加广泛，这个扳手的作用将会越来越大。
深度剖析
现在，让我们分别来了解一下「机器学习」和「深度学习」的知识和它们的应用案例吧！
一、机器学习详解
机器学习通过算法分析数据，从结果中进行学习，然后将「学习后的算法」用来做出决策或进行预测，例子有我们熟悉的聚类、贝叶斯网络和视觉数据映射等等。
机器学习可以分成两种类型—— 「有监督学习」和「无监督学习」 。
监督式学习依赖于人为生成的「数据种子集」。这些「数据种子集」调教程序它该如何「看待」数据。
- 举个监督室学习的例子，我有一套电子邮件数据，我给每一封邮件都打上「垃圾邮件」或「非垃圾邮件」的标签，那么，这套数据便是「数据种子集」，程序可以利用这套数据种子集进行训练，从而得到一个判断垃圾邮件的模型。
无监督学习是这样的——观察数据中的模式，将它们和其他的数据比较或进行搜索查询。随着数据集的增长、更多模式的浮现，机器学习算法不断「自我优化」。无监督学习的例子有聚类、概念搜索和接近重复数据删除等等。
- 再以邮件为例，我有一套电子邮件数据，但是我并没有人为的给它「打标签」，而是直接进行聚类，程序会自动的分出「垃圾邮件」和「非垃圾邮件」。
机器学习的「基础设施」差异很大。单一系统可以处理有限的数据，而大型系统则包含数十台服务器和大规模并行处理（MPP）架构，用于跨多个数据源的海量数据。
二、深度学习详解
深度学习，又叫人工神经网络，和其它所有机器学习一样都是基于算法。然而它并非像「数据分类」一样根据任务选择的算法，而是 模仿人类大脑结构与运算过程 ——识别非结构化输入的数据，输出精确地行为和决策。
机器学习可以是监督的也可以是非监督的，这意味着 大型神经网络可以接受「标签化输入」，但并不需要。当一个神经网络处理输入时，它通过输入数据和输出数据创造层，这种级别的深度学习让神经网络从原始数据中「自动抽取特征」而无需人工来贴标签。
神经网络 由大量被称为神经元的简单处理器构成 ，处理器用数学公式模仿人类大脑中的神经元。这些人造神经元就是神经网络最基础的「部件」。
简而言之，每一个神经元接受两个或更多的输入，处理它们，然后输出一个结果。一些神经元从额外的传感器接收输入，然后其他神经元被其他已激活的神经元激活。神经元可能激活其它的神经元，或者通过触发的行动影响外部环境。所有的行为都是在「自动生成」的隐藏层中发生的，每个连续的图层都会输入前一层的输出。
在实际项目中，神经网络大量摄取非结构化数据——声音、文字、影像和图片。 神经网络将数据分离为数据块，然后将它发送到独立的神经元和网络层中去处理。 一旦这些离散的处理都完成了，神经网络就产生最后的输出，我们就大功告成了！
人工神经网络，或者说深度学习有什么优点？它的一大优点在于「可扩展性」。神经网络的性能取决于它可以吸收、训练和处理多少数据。所以，更多的数据意味着更好的结果——这是和「其它机器学习算法」的另一个区别，其它机器学习算法的效果通常稳定在一个明确的水平。 深度学习仅通过资源衡量它的性能，层数更深，则输出更为广泛，性能也更为强劲。
所以，尽管深度学习不快也不容易，但是通过更低的价格能得到更好的计算能力这一点，还是让各大公司「买买买」。
机器学习和深度学习的流行应用场景
机器学习已经在市场上「无孔不入」了，而深度学习还处于「初级阶段」，商业化程度有限。
在某些应用案例中，二者可以说十分相似，区别在于神经网络可以增长到接近无限的学习和输出规模；机器学习更受约束，适合具体的实际计算任务。
注意啦，「机器学习」和「深度学习」并非相斥而是互补的关系。
机器学习和深度学习的未来
你不会走在大街上就碰见「深度学习」，它们需要大量的标记数据进行监督学习，或大量的非结构化数据进行无监督学习。因此，苦逼的技术人员需要花费大量的时间标记和向神经网络输入数据，或者需要输入数以百万计的非结构化对象来实现无监督学习。
在现代这个IT社会，缺乏数据不再是问题——挑战是标记足够的数据，或者将足够的未标记数据导入神经网络。尽管处理能力不断增加，价格也有所下降，但密集计算仍然需要对系统和支持进行大量的投资。
尽管如此，深度学习在许多不同的业务垂直领域都有很好的案例。像谷歌和Facebook这样的深度学习大佬正在使用深度学习开发炫酷的应用程序，而其他的开发者们则在「跟着大佬走」。
不管怎样，机器学习和深度学习是时代的大势所趋。就像整个世界因为互联网而变成了另一种样子，机器学习也会重塑这个世界。在这个过程中，越来越多的人会认识到机器学习的价值，机器学习也会变得越来越容易上手。说不定有一天，小学生也要开始学习机器学习了。
