近几年来，有关机器学习和深度学习的争论有了很大的进展。这些技术的最大优势就是他们可以从可用的数据中学习。虽然AI的两个分支技术都在“学习算法”上取得了胜利，但是机器学习(ML)算法的学习方式与机器学习算法有很大的不同。

ML直接观察数据模式并建立其相关性，而深度学习(DL)算法是从复杂的知识层逐步学习的。DL被视为ML的一个子集，学习通过通常称为人工神经网络。ANN与人脑的功能最为接近。

一、人工智能和深度学习：哪一个更热门？

目前，机器学习和深度学习领域的研究和专利竞争正在进行中，而且还会持续增长很长一段时间。

尽管机器学习是一种特殊的人工智能，但是它可以通过自己研究可用的数据来促进算法的自动学习。人工智能算法是智能程序，不需要任何程序干预就能搜索、访问和学习数据。工业部门通常使用ML模型预测风险和机会。

若不能从机器学习中提取价值，大型数据将无法实现。

而Gartner则把深度学习列为2021年以及之后的八项新技术之一。深度学习可以看作是机器学习的一部分，在这种情况下，学习是通过公开知识的层次结构进行的。

两者最明显的区别在于ML算法处理监督数据，而DL算法应用于无监督的领域。

Gartner预测如下：

在2021年，将有10%的客服人员参与机器人交互。

在2021年，新成立的公司将领导AI经济，将四大巨头抛在后面。

2022商业成功将依赖于认知技术。

类似地，到2022年，至少有20%的企业将会使用神经网络。

二、机器学习与深度学习之间的相似性

我们知道，ML和DL都要处理“学习算法”，虽然学习的方式很不同。汽车自动驾驶的类比可以用ML与DL的“共同点”来解释。其基本含义是，当人类不能编写程序来解决问题时，ML或DL的机器智能将接管计算机，教会计算机成为自我解决的机器。

ML与DL的另一个相似性在于计算机视觉、图像识别、信息检索系统、市场营销、医疗诊断以及NLP等领域，其中，已成功应用ML和DL算法。

三、机器学习和深度学习的区别

《福布斯》机器学习和深度学习之间最主要的区别是实用的学习方法。DL需要非常庞大的数据，而算法则利用它来做出关于其他数据的决定。另外，DL算法可用于任何类型的数据，如图像、音频、视频、语音等，这在ML中是不可能实现的。

资料科学中心更全面地研究了不同数据科学或人工智能的不同分支，读者将从中了解处理商业数据的不同方法。

机器学习和深度学习之间最大的区别在于：

Discovery：在机器学习中，将一个大问题分解成较小的块，然后分别求解。最终，所有的方案都被重新组合到一起。对于DL，问题是由端到端解决的。

所需数据：ML算法在海量数据和大数据场景中都得到了证明。在数据量较大的情况下，可以实现深度学习算法。然而，这些算法中的任何一种在数据量很小的情况下真正起作用吗？

处理机需求：ML算法在普通机器上运行良好，而DL算法需要高性能机器才能正常运行。

在ML中，特征提取仍然需要人工处理，而在DL中，特征提取会在学习过程中自动进行。因为手工过程耗时且费力，DL通过自动化特征提取的关键阶段减少了很多工作。

培训时间：对于DL，由于神经层复杂，训练时间较长，也比较复杂。利用机器学习，可以训练算法在很短的时间内学习。

解释性：在机器学习中，算法提供精确的规则来解释特定选择背后的决策，而在深度学习中，决策看起来是“任意的”，这使得使用者很难有合理的解释能力。正因为如此，DL算法永远不能在法庭科学中发挥作用，法庭科学必须对证据进行合理解释。

四、ML与DL的比较、对比特点

Gartner称，DL算法在产品推荐、需求预测、语音到文本服务等许多任务中都比人类优越。最理想的是ML和DL一起提供最好的结果。

DL和监督ML算法在最高级的应用程序中的性能是类似的，例如，DL可以训练DL并监督ML算法来识别大型图片库中的一组对象。DL不同于ML,DL可以直接处理所有类型的数据，如音频、视频、图像，而ML必须处理原始数据，数据科学家在对模型进行训练前对算法进行训练。这种自学习的DL算法使得他们非常强大。

在ML中，特征提取过程仍由人类数据学家来处理，这在时间和性能上都增加了负担。DL是一种自动特征提取方法，比传统ML领先数光年。因为算法能够自动地专注于正确的特性，而不需要人类科学家的任何干预，因此，在DL中，被强加给科学家的巨大时间和劳动负担大大减少。

DL中自动特征提取方法提供的缓解方法违背了网络拓扑设计要求。许多情况下，数据科学家们同时使用大数据集群，这对执行时间和效率造成了很大的负担。因此，DL算法最好能在超级计算机上很快地处理大型矢量操作。

深度学习相对于机器学习而言，一个明显的缺点是需要非常昂贵的计算机。为使企业能够“负担得起”深度学习，数据科学家团体采用了图形处理设备(GPU)，该设备能快速执行数十亿次运算。DL领域的另一个与之相关的特性就是存在的开放源码库，这是许多图像和语音识别应用程序的一种解决方案。现在有的主要开源库是TensorFlow、Cafee或MXNet。

总结

很多文章讨论了最近在AI和DL领域的进展如何使机器逐渐变成象人类那样具有自我思考能力的实体。若Gartner对当前十年“万物数字化”的技术预测将成为现实，那么机器学习和深度学习等智能技术将会持续提高效率、商业价值和运营水平。