《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》 —1.1.4　机器学习与深度学习

1.1.4　机器学习与深度学习

我们在前文介绍了人工智能的定义以及基本概念，下面将介绍人工智能发展的主要分支：机器学习和深度学习。如图1-2所示，人工智能发展的一个很重要的分支便是机器学习，由人工智能的连接主义发展形成的一个重要领域分支，它的核心目的是让计算机拥有像人一样的学习能力。而在机器学习中的一个庞大分支就是神经网络，严格来说深度学习属于机器学习的一个类别，但是随着近年来深度神经网络的发展，特别是深度学习应用范围的不断扩展，深度学习已经成为机器学习领域的一个重要部分。

机器学习（Machine Learning）是关于计算机系统使用的算法和统计模型的科学研究，这些算法和统计模型不使用明显的指令，而是依靠模式和推理来有效地执行特定的任务。它被视为人工智能的一个子集。机器学习算法是建立在一个样本数据集（称为“训练数据”）上，在没有明确编程指示下根据任务的情况做出预测或决策的数学模型。机器学习算法被广泛应用于各种各样的应用中，如电子商务中的智能推荐和垃圾邮件判定等，在这些应用中对每一条数据编写特定指令是不切实际的。机器学习与计算统计学密切相关，计算统计学主要用于解决计算机的预测问题。数学优化的研究为机器学习领域提供了方法、理论和应用领域。数据挖掘是机器学习中的一个研究领域，其重点是通过无监督学习进行探索性数据分析。

“机器学习”这个名词是由阿瑟·塞缪尔于1959年提出的。汤姆·M·米切尔给机器学习领域中所研究的算法下了一个被广泛引用、更为正式的定义：“如果一个计算机程序在任务T（由P来度量）中的表现随经验E而改善，那么我们称该程序从经验E中学习。”这个对机器学习所涉及任务的定义提供了一个基础的操作定义而非认知上的定义。

深度学习，也称“阶层学习”或“分层学习”，是基于学习数据表征的更广泛的机器学习方法系列的一部分，而不是基于特定任务的算法。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的优势是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。其中深度指的是网络中最长的输入输出距离。

那么深度学习和机器学习的区别是什么呢？如图1-3所示，机器学习，即所谓的统计机器学习，在处理问题时，首先需要人工进行特征提取，然后根据提取后的特征进行分类问题求解。而深度学习的强大之处在于，将特征提取和分类问题求解汇总在一个神经网络模型中，只需一次输入即可得到最终的输出结果。

图1-3　机器学习与深度学习之间的差异及联系