1樓：匿名使用者
兩者不是同一個level上的，深度學習是機器學習的一種。
最近火的發紫的深度學習實際上指的的深度神經網路學習，普通神經網路由於訓練代價較高，一般只有3-4層，而深度神經網路由於採用了特殊的訓練方法加上一些小trick，可以達到8-10層。深度神經網路能夠捕捉到資料中的深層聯絡，從而能夠得到更精準的模型，而這些聯絡不容易被普通的機器學習方法所發覺。
2樓：中公教育it優就業
簡單來說，機器學習是實現人工智慧的方法，深度學習是實現機器學習的技術。機器學習在實現人工智慧時中需要人工輔助（半自動），而深度學習使該過程完全自動化
三者關係：
舉個例子：通過機器學習演算法來識別水果是橘子還是蘋果，需要人工輸入水果的特徵資料，生成一定的演算法模型，進而可以準確**具有這些特徵的水果的型別，而深度學習則能自動的去發現特徵進而判斷。
3樓：連麗君
網路上那麼多深度學習的資料，學習了很多之後還是懵懵懂懂的。chris老師通過橫向對比的方式，讓你瞭解一個普通的程式和機器學習演算法的相同點/差別點是什麼？對於程式而言就是要一個準確的結果，而對於機器學習而言我們要的是規則。
機器學習有聚類演算法和分類演算法，這是常見的一些機器學習演算法。網路上大多數資料都顯示深度學習只是機器學習的一種特殊型別，今天我們從另一個角度來看，其實深度學習是另外一類演算法的集合，深度學習的核心是網路深度和網路結構。網路深度是一個相對概念，沒有說一個隱藏層要大於多少才算深度學習。
深度學習的另外一個核心是網路結構：深度自信網路、神經網路、迴圈網路、卷積網路都各自是一種結構。按照結構的不同，有不同的分類，比如lstm、res***都是一種特殊的結構，而不是一種特殊的演算法。
lstm是深度學習演算法領域中的一種網路結構，千萬不要理解為一種演算法。
希望有幫助到你`
ai，機器學習和深度學習之間的區別是什麼
4樓：愛喝可樂小兔砸
用三層圓環舉例
人工智慧是最大的圈
機器學習是在人工智慧中間的圈
深度學習是在機器學習中間的圈
5樓：llte啦啦
機器學習是ai的一個子領域。這裡的核心原則是機器為自己提供資料和「學習」。它目前是企業ai工具包中最有前途的工具。
ml系統可以快速應用來自大型資料集的知識和培訓，擅長面部識別，語音識別，物體識別，翻譯以及許多其他任務。與手動編寫具有特定指令的軟體程式來完成任務不同，ml允許系統學習識別模式並進行**。
6樓：夢逍遙
機器學習與深度學習的比較
1、應用場景
機器學習在指紋識別、特徵物體檢測等領域的應用基本達到了商業化的要求。
深度學習主要應用於文字識別、人臉技術、語義分析、智慧監控等領域。目前在智慧硬體、教育、醫療等行業也在快速佈局。
2、所需資料量
機器學習能夠適應各種資料量，特別是資料量較小的場景。如果資料量迅速增加，那麼深度學習的效果將更加突出，這是因為深度學習演算法需要大量資料才能完美理解。
3、執行時間
執行時間是指訓練演算法所需要的時間量。一般來說，深度學習演算法需要大量時間進行訓練。這是因為該演算法包含有很多引數，因此訓練它們需要比平時更長的時間。
相對而言，機器學習演算法的執行時間更少。
4、解決問題的方法
機器學習演算法遵循標準程式以解決問題。它將問題拆分成數個部分，對其進行分別解決，而後再將結果結合起來以獲得所需的答案。深度學習則以集中方式解決問題，而不必進行問題拆分。
7樓：esc__殤
深度學習是他們兩個最終研究的核心學術
8樓：kf寬泛科技
機器學習是一種實現人工智慧的方法，深度學習是一種實現機器學習的技術。我們就用最簡單的方法——同心圓，視覺化地展現出它們三者的關係。
目前，業界有一種錯誤的較為普遍的意識，即「深度學習最終可能會淘汰掉其他所有機器學習演算法」。這種意識的產生主要是因為，當下深度學習在計算機視覺、自然語言處理領域的應用遠超過傳統的機器學習方法，並且**對深度學習進行了大肆誇大的報道。
深度學習，作為目前最熱的機器學習方法，但並不意味著是機器學習的終點。起碼目前存在以下問題：
1. 深度學習模型需要大量的訓練資料，才能展現出神奇的效果，但現實生活中往往會遇到小樣本問題，此時深度學習方法無法入手，傳統的機器學習方法就可以處理；
2. 有些領域，採用傳統的簡單的機器學習方法，可以很好地解決了，沒必要非得用複雜的深度學習方法；
3. 深度學習的思想，**於人腦的啟發，但絕不是人腦的模擬，舉個例子，給一個三四歲的小孩看一輛自行車之後，再見到哪怕外觀完全不同的自行車，小孩也十有**能做出那是一輛自行車的判斷，也就是說，人類的學習過程往往不需要大規模的訓練資料，而現在的深度學習方法顯然不是對人腦的模擬。
cloudhin®雲軒專注deep learning和高效能運算伺服器定製，針對主要深度學習框架（如tensorflow、caffe 2、theano或torch）進行了優化和設定，在桌面上即可提供強大的深度學習功能。
9樓：匿名使用者
《智慧問答與深度學習》chatoperaceo王海良著，對學習智慧問答的朋友很有用！強烈推薦！
深度學習和神經網路的區別是什麼？
10樓：匿名使用者
什麼是神經網路，深度學習
11樓：花花
這兩個概念實際上是互相交叉的，例如，卷積神經網路（convolutional neural ***works，簡稱**ns）就是一種深度的專監督學
屬習下的機器學習模型，而深度置信網（deep belief ***s，簡稱dbns）就是一種無監督學習下的機器學習模型。
深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現資料的分散式特徵表示。
深度學習的概念由hinton等人於2023年提出。基於深信度網(dbn)提出非監督貪心逐層訓練演算法，為解決深層結構相關的優化難題帶來希望，隨後提出多層自動編碼器深層結構。此外lecun等人提出的卷積神經網路是第一個真正多層結構學習演算法，它利用空間相對關係減少引數數目以提高訓練效能。
資料探勘，機器學習，深度學習這些概念有區別嗎
12樓：知識就是力量
有區別，但是相互之間有交叉，共通點是存在的
人工智慧，機器學習和深度學習的區別是什麼
13樓：長春北方化工灌裝裝置股份****
為了搞清三者關係，我們來看一張圖：
從低潮到繁榮
自從 1956 年電腦科學家們在達特茅斯會議（dartmouth conferences）上確認人工智慧這個術語以來，人們就不乏關於人工智慧奇思妙想，研究人員也在不遺餘力地研究。在此後的幾十年間，人工智慧先是被捧為人類文明光明未來的鑰匙，後又被當作過於自大的異想天開而拋棄。
但是在過去幾年中，人工智慧出現了**式的發展，尤其是 2015 年之後。大部分原因，要歸功於圖形處理器（gpu）的廣泛應用，使得並行處理更快、更便宜、更強大。另外，人工智慧的發展還得益於幾乎無限的儲存空間和海量資料的出現（大資料運動）：
影象、文字、交易資料、地圖資料，應有盡有。
下面我們從發展的歷程中來一一對人工智慧、機器學習和深度學習的深度學習。
人工智慧人工智慧先驅們在達特茅斯開會時，心中的夢想是希望通過當時新興的計算機，打造擁有相當於人類智慧的複雜機器。這就是我們所說的「通用人工智慧」（general ai）概念，擁有人類五感（甚至更多）、推理能力以及人類思維方式的神奇機器。在電影中我們已經看過無數這樣的機器人，對人類友好的 c-**o，以及人類的敵人終結者。
通用人工智慧機器至今只存在 於電影和科幻**裡，理由很簡單：我們還實現不了，至少目前為止。
我們力所能及的，算是「弱人工智慧」（narrow ai）：執行特定任務的水平與人類相當，甚至超越人類的技術。現實中有很多弱人工智慧的例子。
這些技術有人類智慧的一面。但是它們是如何做到的？智慧來自**？
這就涉及到下一個同心圓：機器學習。
機器學習
機器學習是實現人工智慧的一種方法。機器學習的概念來自早期的人工智慧研究者，已經研究出的演算法包括決策樹學習、歸納邏輯程式設計、增強學習和貝葉斯網路等。簡單來說，機器學習就是使用演算法分析資料，從中學習並做出推斷或**。
與傳統的使用特定指令集手寫軟體不同，我們使用大量資料和演算法來「訓練」機器，由此帶來機器學習如何完成任務。
許多年來，計算機視覺一直是機器學習最佳的領用領域之一，儘管還需要大量的手動編碼才能完成任務。研究者會手動編寫一些分類器（classifier），如邊緣檢測篩選器，幫助程式辨別物體的邊界；圖形檢測分類器，判斷物體是否有八個面；以及識別「s-t-o-p」的分類器。在這些手動編寫的分類器的基礎上，他們再開發用於理解影象的演算法，並學習如何判斷是否有停止標誌。
但是由於計算機視覺和影象檢測技術的滯後，經常容易出錯。
深度學習
深度學習是實現機器學習的一種技術。早期機器學習研究者中還開發了一種叫人工神經網路的演算法，但是發明之後數十年都默默無聞。神經網路是受人類大腦的啟發而來的：
神經元之間的相互連線關係。但是，人類大腦中的神經元可以與特定範圍內的任意神經元連線，而人工神經網路中資料傳播要經歷不同的層，傳播方向也不同。
舉個例子，你可以將一張**切分為小塊，然後輸入到神經網路的第一層中。在第一層中做初步計算，然後神經元將資料傳至第二層。由第二層神經元執行任務，依次類推，直到最後一層，然後輸出最終的結果。
每個神經元都會給其輸入指定一個權重：相對於執行的任務該神經元的正確和錯誤程度。最終的輸出由這些權重共同決定。
因此，我們再來看看上面提到的停止標誌示例。一張停止標誌影象的屬性，被一一細分，然後被神經元「檢查」：形狀、顏色、字元、標誌大小和是否運動。
神經網路的任務是判斷這是否是一個停止標誌。它將給出一個「概率向量」（probability vector），這其實是基於權重做出的猜測結果。在本文的示例中，系統可能會有 86% 的把握認定影象是一個停止標誌，7% 的把握認為是一個限速標誌，等等。
網路架構然後會告知神經網路其判斷是否正確。
不過，問題在於即使是最基礎的神經網路也要耗費巨大的計算資源，因此當時不算是一個可行的方法。不過，以多倫多大學 geoffrey hinton 教授為首的一小批狂熱研究者們堅持採用這種方法，最終讓超級計算機能夠並行執行該演算法，並證明該演算法的作用。如果我們回到停止標誌那個例子，很有可能神經網路受訓練的影響，會經常給出錯誤的答案。
這說明還需要不斷的訓練。它需要成千上萬張**，甚至數百萬張**來訓練，直到神經元輸入的權重調整到非常精確，幾乎每次都能夠給出正確答案。不過值得慶幸的是facebook 利用神經網路記住了你母親的面孔；吳恩達 2012 年在谷歌實現了可以識別貓的神經網路。
如今，在某些情況下，通過深度學習訓練過的機器在影象識別上表現優於人類，這包括找貓、識別血液中的癌症跡象等。谷歌的 alphago 學會了圍棋，併為比賽進行了大量的訓練：不斷的和自己比賽。
總結人工智慧的根本在於智慧，而機器學習則是部署支援人工智慧的計算方法。簡單的將，人工智慧是科學，機器學習是讓機器變得更加智慧的演算法，機器學習在某種程度上成就了人工智慧。
人類的學習與動物學習的本質區別是什麼
人類的學習屬於對第二訊號 即抽象訊號如語言文字元號等 系統建立的條件反射，動物的學習是屬於對第一訊號 具體的訊號如顏色 形狀 聲音等 系統建立條件反射的過程。人的學習是在社會生活實踐通過思維活動產生和實現的，是掌握社會歷史經驗和個體經驗的過程，以語言為中介，是自覺的 有目的 有計劃的。動物的學習則沒...
深度學習和人工智慧有什麼區別與聯絡嗎
深度學習作為實現機bai器學習的技術,拓du展了人工智zhi能領域範疇,主要應dao用於影象識別 語音識版別 自權然語言處理。推動市場從無人駕駛和機器人技術行業擴充套件到金融 醫療保健 零售和農業等非技術行業,因此掌握深度學習的ai工程師成為了各型別企業的招聘熱門崗位。中公教育聯合中科院專家打造的深...
如何學習數學？高等數學和初等數學區別是什麼
高中數學怎麼學?高中數學難學嗎?數學這個科目,不管是對於文科學生還是對於理科學生.都是比較重要的,因為他是三大主課之一,它佔的分值比較大.要是數學學不好,你可能會影響到物理化學的學習,因為那些學科都是要通過計算.然而,這些計算也都是在數學裡面.高中數學怎麼學?有哪些好的方法?高中數學 知道孩子數學學...