一、简介
1.什么是深度学习？
深度学习是机器学习的一个子类别，有效地是一个三层神经网络。这些神经网络旨在通过模仿人脑的功能来“学习”大量数据，但它们远远达不到人脑的能力。尽管单层神经网络只能做出近似处理，但增加隐藏层可以帮助优化和提高准确性。
深度学习用于人工智能（AI）应用和服务中，以提高自动化，无需人类参与即可执行分析和物理任务。在处理大量数据时，深度学习优于传统方法。而在数据量较少时，传统机器学习技术更受青睐。
2.什么是机器学习？
机器学习（ML）是一种教会计算机在未接收明确指令的情况下对未来事件做出准确预测的技术。
它是人工智能的一个子集，基于这样一种理念：计算机可以从数据中学习，识别模式，并在极少或无需人类干预的情况下做出判断。
这些预测可以用来判断一封电子邮件是否为垃圾邮件、识别照片中的猫，以及正确识别语音模式。
3.什么是神经网络？
神经网络是一个认知系统，它使用分层结构中相互连接的节点或神经元来模仿人脑。通过从数据中学习，神经网络可以被训练识别模式、分类数据以及预测未来事件。
在实际情况中，神经网络也非常适合帮助人类处理复杂任务。神经网络将输入分解为不同层次的抽象。它就像人脑一样，可以通过大量示例来学习识别语音或图像中的模式。其行为取决于组成部分之间连接的强度或权重。这些权重会在训练期间根据学习算法自动更新，直到人工神经网络正确完成任务。
二、深度学习与神经网络之间的主要区别
深度学习是一种非常复杂的神经网络类型。与神经网络相比，深度学习系统拥有更多的层次，因此更为复杂。
与深度学习系统相比，神经网络在完成任务时提供较差的效率和性能，而深度学习系统则提供出色的效率和性能。深度学习单元的主要组成部分是大功率电源、GPU和大量RAM。神经元、传输函数、学习率、连接和权重是神经网络的基本部分。
由于深度学习网络复杂，它们需要很长时间来训练，而神经网络只需要一小部分时间。
三、深度学习与机器学习之间的区别
要产生结果，机器学习需要更多的持续人类参与。深度学习更难设置，但一旦运行起来，几乎不需要干预。
虽然机器学习算法通常比深度学习算法简单，可以在普通电脑上运行，但深度学习系统需要更强大的硬件和资源。对功率的不断需求导致了对图形处理单元的利用率上升。GPU因其高带宽内存和能够通过线程并行性隐藏内存传输延迟而受到青睐。大量操作能够同时顺畅运行的能力。
机器学习系统易于设置和操作，但其能力可能有限。
机器学习使用传统技术如线性回归，通常需要结构化数据。深度学习使用神经网络，并设计用于处理大量非结构化数据。
您的电子邮件、银行和医生办公室已经在使用机器学习。深度学习技术使得更复杂和自主的程序成为可能，如自动驾驶汽车和外科机器人。
四、机器学习与神经网络之间的区别
机器学习算法有两种类型：监督学习和非监督学习模型。神经网络有四种类型：前馈、卷积、循环和模块化。
机器学习被输入数据并从中学习。随着时间的推移，随着从数据中学习，ML模型获得专业知识和发展。相比之下，神经网络的结构非常复杂。
机器学习是一系列工具和流程，它们对数据进行训练、评估，然后应用它们所学到的东西来发现有趣的模式。相比之下，神经网络基于在人脑中发现的过程，帮助它工作。
神经网络组织算法，使它们能够独立做出可靠决策，而机器学习模型则根据从数据中学到的内容行动。
机器学习模型是自适应的，意味着它们可以从新的数据样本和交互中学习并进化。因此，模拟可能能够检测数据趋势。在这种情况下，只有一个响应层是数据。即使是最小的神经网络模型也有多个层次。
五、总结
机器学习和深度学习将对我们的生活产生长期影响，它们的能力将几乎改变每个行业。像太空旅行或在敌对环境中工作这样的危险职业可能会完全被机器取代。传统统计模型预测最优知识的能力已经通过大量数据的广泛使用、处理能力和深度神经网络设计得到了增强。企业依靠重大数据突破和诸如人工智能、机器学习和物联网等复杂技术在各自行业中保持竞争力。
机器学习、深度学习和神经网络都有自己的一系列优点和缺点。深度学习是机器学习的一个子类别，神经网络是深度学习的一个子类别。因此，神经网络基本上是一种更先进的机器学习类型。此外，它现在正在各个领域找到应用。
