深度学习与传统机器学习的区别

深度学习

1.适合处理大数据；

2.依赖于高端的硬件设施；

3.深度学习算法试图自己从数据中学习特征；

4.是一次性地、端到端地解决问题：给它一张图，它直接给出把对应的物体识别出来，同时还能标明对应物体的名字。这样就可以做到实时的物体识别；

5.需要花大量的时间来训练，因为有太多的参数需要去学习。顶级的深度学习算法ResNet需要花两周的时间训练；

6.一个深层的神经网络，每一层都代表一个特征，而层数多了，我们也许根本就不知道他们代表的啥特征，我们就没法把训练出来的模型用于对预测任务进行解释。例如，我们用深度学习方法来批改论文，也许我们训练出来的模型对论文评分都十分的准确，但是我们无法理解模型到底是啥规则，这样的话，那些拿了低分的同学找你质问“凭啥我的分这么低啊？！”，你也哑口无言····因为深度学习模型太复杂，内部的规则很难理解。但是这不是深度学习的错，只能说它太牛逼了，人类还不够聪明，理解不了深度学习的内部的特征。

机器学习

1.适合数据量比较小的时候；

2.一般的电脑就能跑；

3.手工对模型的特征进行编码；

4.先把问题分成几块，一个个地解决好之后，再重新组合起来：如果任务是要识别出图片上有哪些物体，找出它们的位置。那么传统机器学习的做法是把问题分为两步：发现物体和识别物体。首先，我们有几个物体边缘的盒型检测算法，把所有可能的物体都框出来。然后，再使用物体识别算法，例如SVM，在识别这些物体中分别是什么；

5.机器学习一般几秒钟最多几小时就可以训练好；

6.机器学习不一样，比如决策树算法，就可以明确地把规则给你列出来，每一个规则，每一个特征，你都可以理解。