一文看懂机器学习与深度学习关键区别

说到人工智能，很多人可能并不清楚——作为它的核心分支，机器学习早在20世纪50年代就已诞生。1959年，亚瑟·塞缪尔（Arthur Samuel）写出了首个计算机学习程序，让IBM计算机玩跳棋，玩得越久，水平越高。时光快进到今天，人工智能早已不再是实验室里的概念，它催生了众多高薪且令人兴奋的职业岗位。其中，机器学习工程师的需求尤为旺盛，因为无论是纯粹的数据科学家还是软件工程师，都缺少机器学习领域所需的跨界能力。企业真正渴求的是既懂数据又懂工程的专业人士，而这类人才正是机器学习工程师。

在探讨职业选择之前，有必要先理清几个常被混用的词：“人工智能”、“机器学习”和“深度学习”。根据牛津生活词典，人工智能是“计算机系统的理论和发展，能够执行通常需要人类智能的任务，如视觉感知、语音识别、决策和语言间的翻译”。不过，有些AI系统并不能自己学习——这正是机器学习与深度学习登场的地方。我们不妨深入看看，它们之间到底存在哪些本质差异。

什么是机器学习？

通过机器学习，计算机系统被编程为从输入数据中学习，而不需要每次重新编程。换句话说，它们能在任务中持续提升表现——比如在无人干预的情况下玩跳棋。机器学习的应用范围极广：艺术、科学、金融、医疗……方法也五花八门，从简单的决策树到复杂的多层人工神经网络。后者就是深度学习，我们待会再聊。机器学习之所以成为可能，不止是因为亚瑟·塞缪尔1959年的突破性程序（当时用了相对简单的搜索树），更得益于互联网催生的大量数据。数据越多，系统“学习”的效果越好。Python已成为当下实现机器学习最主流的语言。

什么是深度学习？

有人把深度学习看作机器学习的下一个前沿，甚至是前沿中的前沿。你用过Netflix或音乐流媒体服务吧？它们会根据你过去听过的歌或点过的赞来推荐内容——这背后就是深度学习。谷歌的语音识别和图像识别算法也离不开它。正如机器学习是人工智能的一种类型，深度学习通常被视为机器学习的一个子集。机器学习用的是预测模型这类简单概念，而深度学习则依靠人工神经网络，旨在模仿人脑的思考方式。还记得高中生物学里的神经元吗？人脑的主要计算单元就是神经元，每个神经连接像一台小计算机。大脑中的神经元网络负责处理视觉、感觉等各种输入。深度学习系统和机器学习一样，也需要“喂”数据，但通常是巨大的数据集——因为深度学习系统需要大量数据才能返回准确结果。人工神经网络根据数据提出一系列二元真/假问题，涉及高度复杂的数学计算，再根据答案对数据进行分类。尽管机器学习和深度学习都属于人工智能的范畴，且都从数据输入中“学习”，但它们之间仍有几个关键差别。

机器学习和深度学习的5个关键区别

1. 人为干预

在机器学习系统中，人类需要根据数据类型（例如像素值、形状、方向）手工编码特征；而深度学习系统会在没有额外人工干预的情况下自己学习这些特征。以人脸识别为例：程序先学习检测边缘和线条，然后学习更重要的部分，最后掌握人脸的整体表示。这个过程涉及海量数据，随着训练推进，准确率逐步提升。这种训练通过神经网络进行，类似人脑工作方式，不需要重新编码。

2. 硬件

由于数据量和计算复杂度不同，深度学习系统比简单的机器学习需要更强大的硬件。典型硬件是图形处理单元（GPU）。机器学习程序可以在低端机器上运行，对算力要求不高。

3. 时间

深度学习系统涉及太多参数和复杂数学公式，需要大量数据集，因此训练耗时很长——可能几个小时到几个星期。而机器学习可能只需要几秒钟到几个小时。

4. 方法

机器学习算法倾向于对数据进行部分解析，再将各部分结合起来得到结果。深度学习系统则可以一次性解决整个问题。例如，想识别图像中的特定对象（比如车牌上的字符），用机器学习需要两步：先检测，再识别。而深度学习只需输入图像，训练后一次性输出已识别对象及其位置。

5. 应用

考虑到上述差异，两者适用的场景自然不同。基本机器学习应用包括预测程序（股票价格、飓风时间地点）、垃圾邮件识别器，以及为医疗患者设计循证治疗计划。深度学习除了Netflix推荐、音乐服务、人脸识别等，还有一个广为人知的应用：自动驾驶。这些程序使用多层神经网络识别需要避开的物体、红绿灯，并决定何时加速或减速。

机器学习与深度学习的未来趋势

机器学习和深度学习的未来蕴含无穷可能。机器人不仅用于制造业，还在其他方面改善我们的日常生活。医疗行业可能发生巨变：深度学习能帮助医生更早预测或发现癌症，从而挽救生命。金融领域，机器学习和深度学习可以帮助公司甚至个人节省资金、更聪明地投资、更有效地分配资源。这三个领域只是开始。许多有待改进的领域，现在仍只是我们想象中的火花，但前景已无比广阔。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：一文看懂机器学习与深度学习关键区别要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题