機械学習とディープラーニングの違いは何ですか？
回答:
ディープラーニングは、特定の種類の特定の種類の機械学習です。それは、機械学習のすべてを習得することなく、深い学習について学習することも可能だが、それは学習が必要ですので、いくつかの（それはいくつかの機械学習であるため）機械学習を。
機械学習とは、大量のトレーニングデータから統計パラメーターを学習する方法を機械に教えることに焦点を当てた手法を指します。機械学習の特定のタイプの1つは、入力変数の幅広い配列の非常に複雑な関数を近似できる非線形変換のネットワークを学習する人工ニューラルネットワークです。人工ニューラルネットワークの最近の進歩は、通常よりも多くのレイヤーを持ち、さらに多くのレイヤーを学習するという課題に対処するための特別な構造を持つディープニューラルネットワークをトレーニングする方法に関係しています。
上記のベン図で表される内包物が許容される限り、それは顕著ではなく正確でもありません。
用語「人工知能」、「機械学習」、および「深層学習」は、ブランドではありませんが、正確に科学的でもありません。これらは、立ち往生している用語を公開した時点で、特定の資金、コミュニケーション、部門の観点を持つ人々によって命名された包括的な用語です。
さらに、物事の順序が間違っています。今日の人工知能と呼ばれるものは、機械を使用して精神活動を自動化する何世紀も前の目標でした。このビジョンは、回路と情報理論を切り替えるはるか前に、したがってコンピューターサイエンスの前に生まれました。
したがって、コンピューターサイエンスは、実際にはそのAIビジョンの一部であり、それに続くものです。
ディープラーニングとは、人工ネットワーク内のレイヤー数とレイヤーが達成できる抽象化の深さとの間に相関関係があるという不安定で単純化された考え方に基づく用語です。レイヤー内の活性化セルのカウントはレイヤーの幅と呼ばれていたため、レイヤーの量の次元を表すために深さの選択が選択されました。典型的なダイアグラムでは、レイヤーごとのセルの数を高さ、レイヤーの数を幅で表し、ダイアグラムは2次元であるため深さがありません。しかし、それは本当の問題ではありません。ネットワークの深さと抽象化の深さには科学的根拠はなく、単なる予測であり、コンピュータービジョンの分野ではそれほど単純ではないというかなりの証拠があります。
この次のベン図は、信頼できるものでも完全に代表的なものでもありませんが、上記の問題の一部は修復されています。いくつかの点でより賢く質問に答えていますが、専門用語の単語選択の問題は通常、大きなプッシュなしに修正されることはなく、この投稿ではほとんど十分ではありません。
機械学習を始めたとき、本の章はこんな感じでした
I）監視対象：
回帰
- 線形モデル
分類
- 対数回帰
- 神経網
- デシジョントレスとランダムフォレスト
- ブースティングとバギング
- SVDおよびSVM
II）教師なし学習：
クラスタリング
- K-平均
- 階層的
- ガウス混合モデル
- DBスキャン
連想学習。
III）ReInforment Learning：
突然のI> 2> b章のすべてが、独自のサブフィールドを作成しました。理由をよく知って、少し歴史を話しましょう。Machine learningその言葉は、1959年にアーサー・サミュエルによって造られmachines were able to learn from data、明示的な指示よりもそれを意味します。最初に、アプローチがラベルデータを必要とするかどうか（つまり、回帰、分類）に基づいて2つのグループに分けられました。そして、単語の強化学習は、ゲーム理論の分野に触発されて生まれました。これらの詳細は後で使用できるようにしておきます。
深い学習に来て、この言葉deep learningはごく最近、2008年にジェフヒントン会議から来ました。そこで人々は、ジェフ・ヒントンによって発表された論文で使用されている非常に深いニューラルネットワークアーキテクチャを示すためにそれを使用し始め、それ以降supervised、機械学習を分類する新しい方法として、unsupervisedまたはになりreinforcementました（ディスク：の奇妙な参照があるかもしれませんこの前にNNをDLとして呼び出しますが、これより前にはあまり人気がなく、受け入れられません）
まあ、私は時々名前deep learningが幾分間違っていると感じます、それが名前を付けられた場合、neural learningまたは多分深さを強調するための方が良いでしょうdeep neural learning。あなたが新しい場合、私が話している深さを疑問に思うかもしれませんが、深い言葉全体は、ニューラルネットワーク（GPUの高い処理能力のおかげ）が複数のレイヤーで正常にトレーニングできるようになったという事実から来ました。ワード深いも緩くような計算をたくさん必要と機械学習の他の非神経ネットワーク領域含めるために使用することができますdeep belief netかをrecurrent net。ネットワーク今日の単位は、もはや単なるです正確にneuronかperceptron、それがすることができLSTM、GRUまたはcapsule私は単語を推測するので、deep今まで以上に意味があります。
基本的な定義はmachine learning次のとおりです。
「データを解析し、そのデータから学習し、学習したことを適用して情報に基づいた意思決定を行うアルゴリズム」
機械学習アルゴリズムの簡単な例は、オンデマンドの音楽ストリーミングサービスです。サービスがリスナーに推奨する新しい曲またはアーティストを決定するために、機械学習アルゴリズムは、リスナーの好みを、同様の音楽の好みを持つ他のリスナーに関連付けます。
機械学習は、あらゆる種類の自動化されたタスクを促進し、マルウェアを探し出すデータセキュリティ会社から有利な取引を探している金融専門家に至るまで、複数の業界にまたがります。これらは仮想のパーソナルアシスタントのように機能するように設計されており、非常にうまく機能します。
実際にdeep learningは、機械学習のサブセットにすぎません。技術的には機械学習であり、同様の方法で機能します（そのため、用語が大まかに交換されることがあります）が、その機能は異なります。
基本的な機械学習モデルは、機能が何であれ次第に改善されますが、それでもある程度のガイダンスがあります。MLアルゴリズムが不正確な予測を返す場合、エンジニアは介入して調整を行う必要があります。しかし、ディープラーニングモデルを使用すると、アルゴリズムは予測が正確かどうかを独自に判断できます。
ディープラーニングは機械学習のサブセットです。
機械学習と深層学習はどちらも異なるものではありません。ディープラーニングは、機械学習の形式の1つです。ニューラルネットワークの層のレベルは、深層学習の深層学習の一部となっています。
「ディープラーニングは、世界を概念のネストされた階層として表現することにより大きな力と柔軟性を実現する特定の種類の機械学習です。 」