贝叶斯机器学习与深度学习的区别

---

大多数人工智能领域以外的人可能认为深度学习和机器学习是相同的。然而，情况并非如此。使用贝叶斯定理建模统计数据是贝叶斯机器学习的范例。深度学习是机器学习的一个分支，是一种多层人工神经网络。即使是一个简单的神经网络也能逼近真相，但一个更复杂、具有隐藏层的神经网络可以大大提高精度。

所有对学习更多关于人工智能感兴趣的人都应该首先熟悉该领域使用的术语。这些神经网络从大量数据集中“学习”以模拟人脑活动，尽管它们距离脑力超群还有很远。

贝叶斯机器学习

简单来说，机器学习是指计算机如何通过分析数据来学习。可以使用贝叶斯机器学习范例通过贝叶斯定理构建统计模型。

p(θ|x)=p(x|θ)p(θ)p(x)

根据所用数据的性质，这些算法可能会采用监督学习或无监督学习策略。贝叶斯机器学习的首要目标是估计给定似然概率p(x|)和先验概率p()的后验分布p(|x)。可以从用于训练的数据中推断出似然概率。

在计算机科学和统计学中，算法用于完成一项任务，而无需进行显式编码；它们通过识别数据中的模式并在收集更多数据时进行预测来实现此目的。该算法通过推理和模式识别学习预测结果的能力，而无需任何预先编程。

机器学习基础知识

普通最小二乘回归 (OLS) 是机器学习方法的一个例子。

即使在这个看似简单的场景中也存在机器学习；驱动机器学习的引擎是普通的统计学。

深度学习

深度学习在今天得到了广泛的应用。深度学习中使用的方法可以被看作是传统机器学习技术的更高级和更复杂版本。基于深度学习的神经网络试图使用数据输入、权重和偏差来模拟人脑的工作方式。当我们谈论“深度学习”时，我们指的是使用类似人类逻辑来分析数据并得出结论的算法。记住，无论学习是否受到监控，这都是有效的。

深度神经网络由许多层相互连接的节点构成，以提供最准确的预测或分类。人工神经网络 (ANN) 用于深度学习应用程序来实现此目标。

一个ANN，它借鉴了人脑生物神经网络的线索，可以比传统的机器学习模型更有效地学习。“前向传播”描述了数据和计算如何在网络中移动。深度学习模型在输入层接收数据，并在输出层形成最终预测或分类。反向传播是训练模型的另一种方法。它使用梯度下降等技术来量化预测误差，然后反向传播到各层以改变函数的权重和偏差。

以上是对最基本形式的深度神经网络的简化解释。深度学习网络可以使用前向传播和反向传播进行预测和纠正错误，并且算法会随着时间的推移提高其准确性。然而，深度学习算法非常复杂，许多不同类型的神经网络被设计用来解决各种问题和数据集。

深度学习基础知识

目标识别和识别只是卷积神经网络 (CNN) 的许多用途中的两个，卷积神经网络最常用于计算机视觉和图像分类应用。

在自动驾驶中，深度学习用于识别停止标志和行人等物体。

由于能够使用序列或时间序列数据，循环神经网络 (RNN) 在 NLP 和 SNR 任务中得到广泛应用。

军队使用深度学习来分类卫星图像并确定地面士兵区域的相对安全性。当然，深度学习在消费电子领域也很普遍。

深度学习算法由于其自学习能力和自主特征工程，需要最少的人工干预。

深度学习需要大量的处理能力。构建深度神经网络曾经需要几周时间 (!)，但是随着具有强大GPU（用于加速计算的图形处理单元）的云计算基础设施的出现，这可以缩短到几小时。

贝叶斯机器学习与深度学习的区别

深度学习算法属于机器学习的范畴。因此，考虑深度学习与其他机器学习技术的区别可能会有所帮助。解释是ANN算法的结构、对人工交互的需求减少以及对数据需求的增加。

主题	贝叶斯机器学习	深度学习
定义	贝叶斯机器学习方法就像线性回归和决策树一样，结构非常简单。这个多层ANN与人脑一样复杂和相互关联。	深度学习基于旨在学习的计算机网络。
算法	作为贝叶斯机器学习系统，特征是自动提取的，算法从错误中学习。	使用深度学习算法减少了人为花费的时间。
特征	为了创建准确的预测，机器学习算法需要“结构化”或“标记”数据，其中使用模型使用的输入信息指定单个特征并相应地制表。	深度学习减少了为机器学习准备数据所需的时间和精力。通过摄取和处理非结构化数据（如图像和文本），这些算法通过自动化特征提取来减少对人类专家的依赖。
空间	贝叶斯机器学习可以使用几百个数据点进行工作。因此，机器学习通常需要数百万个。	深度学习比标准机器学习程序需要更多信息。由于其复杂的多层结构，深度学习系统需要一个庞大的数据集来消除不规则性并生成准确的解释。

结论

深度学习神经网络（也称为人工神经网络）使用数据输入、权重和偏差来模拟人脑的功能。这些组件协同工作以准确地识别、分类和表征数据对象。深度学习网络的可见层是输入层和输出层。深度学习模型在输入层接收数据，并在输出层形成最终预测或分类。

深度神经网络由许多层相互连接的节点构成，以提供最准确的预测或分类。