科普深度學習和機器學習有何區別

騰訊數碼訊（肖恩）近幾個月來，微軟，谷歌，蘋果，Facebook和其他技術公司紛紛宣布我們不再生活在移動優先的世界。相反，這個世界已經變成了人工智能優先。虛擬助手和其他服務將成為你的主要信息來源，幫助你完成日常任務。你的智能手機或個人電腦現在要退居次席了。

支持這個新方向的是你可能經常聽到的兩個術語：機器學習和深度學習。它們是“教”人工智能來執行任務的兩種方法，但用途可遠遠不止創建智能助手那么簡單。那么機器學習和深度學習究竟有何不同？本文將對此進行一番探究。

電腦現在有了視覺、聽覺和講話的能力

在機器學習的幫助下，計算機現在可以通過“訓練”來預測天氣，確定股票市場的結果，了解購物習慣，控制工廠中的機器人等眾多功能。谷歌，亞馬遜，Facebook，Netflix，LinkedIn以及更多面向消費者的熱門服務都得到機器學習的支持。而所有這些學習的核心就是所謂的算法。

簡而言之，算法不是一個完整的計算機程序（一組指令），而是解決單個問題的有限步驟。舉個例子，搜索引擎會依靠一種算法來抓取你輸入到搜索字段框中的文本，并搜索連接的數據庫以提供相關的搜索結果。它需要采取具體步驟來實現單一、具體的目標。

其實早在1965年之后，機器學習就已經出現了。Arthur Samuel當時不想編寫一個非常詳細，冗長的程序，讓計算機在西洋跳棋中打敗自己。相反，他創造了一種算法，使計算機能夠自我對抗數千次，并從中“學習”如何成為一位獨立的對手。等到1962年，這臺電腦擊敗了康涅狄格州的跳棋冠軍。

因此，機器學習的核心是試驗和錯誤。我們不能手動編寫程序來幫助自動駕駛汽車區分行人與樹木或車輛，但我們可以為程序創建一套使用數據來解決問題的算法。算法還可以用來幫助程序預測颶風的路徑，對阿爾茨海默氏癥進行早期診斷，確定世界上薪水最虛高和最過低的足球明星等等。

機器學習通常是在低端設備上運行的，它會將問題分解成多個部分。每個部分會按順序被解決，然后組合在一起以創建單個問題答案。卡內基梅隆大學著名的機器學習貢獻者Tom Mitchell解釋說，如果計算機程序的特定任務的性能得到提高，那么計算機程序將可以從這些經驗中得到“學習”。機器學習算法本質上是使程序能夠進行預測，并且隨著時間的推移，根據試驗和錯誤經驗提高預測的準確率。

以下是機器學習的四種主要類型：

監督機器學習

在這種情況下，你需要向計算機程序提供帶有標簽的數據。舉個例子，如果分配的任務是使用分類圖像算法區分男孩和女孩的圖片，那么男孩的照片會被打上“男孩”標簽，女孩的照片會被打上“女孩”標簽。這被認為是一種“訓練”數據集，在程序能夠以可接受的速率成功地對圖像進行分類之前，這些標簽會一直被保留。

半監督機器學習

在這種情況下，只有少數圖像被標記。計算機程序隨后將使用算法對未標記的圖像進行最佳猜測，然后將數據作為訓練數據反饋給程序。隨后，它會被提供一批新的圖像，當中只有少數分類標簽。這是一個重復的過程，直到程序能以可接受的速度區分男孩和女孩。

無監督機器學習

這種類型的機器學習不涉及任何標簽。相反，程序會被要求使用兩種方法之一將男孩和女孩的圖像分成兩組。當中的一種算法被稱為“聚類”，它會根據諸如頭發長度，下巴大小，眼睛位置等特征將相似的對象分組在一起。另一種算法稱為“關聯”，程序會根據它發現的相似性創建if / then規則。換句話說，它會對圖像之間的共同模式作出判斷，并對它們進行相應的排序。

增強機器學習

國際象棋是這種算法一個很好的例子。該程序知道游戲的規則和玩法，并會按部就班地完成一輪對弈。提供給該計劃的唯一信息是它是否贏得比賽。它會一直重播比賽，追蹤自己成功的落子，直到最終贏得比賽。

深度學習

深度學習基本上是“更深層次”的機器學習。它的靈感來源于人類大腦的工作方式，但需要能夠處理數字和巨量大數據的獨立顯卡的高端計算機才能工作。

相比會把問題分解成多個部分并逐個解決的標準機器學習算法，深度學習會以端到端的方式來解決問題。更棒的是，提供深度學習算法的數據和時間越多，解決任務的效果越好。

在我們的機器學習示例中，我們使用了由男孩和女孩組成的圖像。該程序會使用算法來對這些圖像進行分類，主要基于填鴨式的數據。但如果是深度學習，數據不提供給程序使用。相反，它會掃描圖像中的所有像素，以發現可用于區分男孩和女孩的邊緣。之后，它會將邊緣和形狀置于可能重要的排序中以確定這兩種性別。

用更簡單的話來說，機器學習將根據人類提供的信息來區分正方形和三角形：正方形有四個點，三角形有三個。通過深度學習，該程序不會把填鴨式信息作為起點。相反，它使用算法來確定形狀有多少條線，這些線是否連通，以及它們是否垂直。當然，算法最終會發現插入的圓不適合其正方形和三角形排序。

同樣，后者的“深度思考”過程需要更多的硬件來處理算法生成的大數據。這些機器傾向于駐留在大型數據中心中，以創建人工神經網絡來處理生成的所有大數據，并將其提供給人工智能應用程序。使用深度學習算法的程序也需要更長時間的訓練，因為他們需要在沒有人為輔助的情況下獨立學習。

翻譯是深度學習一個不錯的應用案例。這項技術能夠聆聽主持人以英語進行的交談，并通過文字和電子語音實時將他的話翻譯成不同的語言。由于整體語言，語言使用，語音音調以及硬件成熟能力的不同，這方面的發展多年以來都比較緩慢。

深度學習還能用來驅動聊天機器人，比如亞馬遜Alexa，微軟Cortana，Facebook和Instagram等。在社交媒體上，基于深度學習的算法可以用來提供聯系方式和頁面建議。即使你沒有訪問它們的網站，深度學習也可以幫助這些公司根據你的口味進行個性化廣告定制。

“展望未來，下一個大趨勢將是”設備“的概念逐漸消失，”谷歌首席執行官Sundar Pichai表示，“隨著時間的推移，計算機本身 ——無論它是何形式——將會成為一位智能助手，幫助你度過每一天。我們將從移動優先轉移到到人工智能優先的世界。”