機(jī)器學(xué)習(xí)和深度學(xué)習(xí)現(xiàn)在很火，你會發(fā)現(xiàn)突然間很多人都在談?wù)撍鼈儭Ｈ缦聢D所示，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的趨勢對比（來自Google trend，縱軸表示搜索熱度）：

本文將會以簡單易懂的語言及示例為大家詳細(xì)解釋深度學(xué)習(xí)和機(jī)器學(xué)習(xí)的區(qū)別，并介紹相關(guān)用途。

機(jī)器學(xué)習(xí)和深度學(xué)習(xí)簡介

機(jī)器學(xué)習(xí)

Tom Mitchell 關(guān)于機(jī)器學(xué)習(xí)的定義被廣泛引用，如下所示：

對于某類任務(wù)T和性能度量P，如果一個計算機(jī)程序在T上以P衡量的性能隨著經(jīng)驗E而不斷自我完善，那么我們稱這個計算機(jī)程序在從經(jīng)驗E學(xué)習(xí)。

“A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P if its performance at tasks in T, as measured by P, improves with experience E ”

上面的抽象定義可能使你感到困惑，相信下面幾個簡單的示例會讓你恍然大悟。

【例1 根據(jù)身高預(yù)測體重】

假設(shè)你要創(chuàng)建一個根據(jù)人的身高預(yù)測體重的系統(tǒng)。第一步是收集數(shù)據(jù)，收集完之后畫出數(shù)據(jù)分布圖如下所示。圖中的每個點(diǎn)都代表一條數(shù)據(jù)，橫坐標(biāo)表示身高，縱坐標(biāo)表示體重。

我們可以畫一條簡單的直線來根據(jù)身高預(yù)測體重，比如：

Weight (in kg) = Height (in cm) - 100

如果這條直線預(yù)測身高很準(zhǔn)確，那怎樣來衡量它的性能呢？比如以預(yù)測值和真實值之間的差值來衡量預(yù)測模型的性能。當(dāng)然，源數(shù)據(jù)越多，模型效果就越好。如果效果不好，那么可以使用其他方法來提升模型性能，如增加變量（如性別）或者改變預(yù)測直線。

【例2 風(fēng)暴預(yù)測系統(tǒng)】

假定要構(gòu)建一個風(fēng)暴預(yù)測系統(tǒng)，你手頭上有過去發(fā)生的風(fēng)暴數(shù)據(jù)以及這些風(fēng)暴發(fā)生前三個月的天氣數(shù)據(jù)。那么怎樣構(gòu)建一個風(fēng)暴預(yù)測系統(tǒng)呢？

首先要做的是清洗數(shù)據(jù)并找到數(shù)據(jù)中的隱藏模式，比如導(dǎo)致風(fēng)暴產(chǎn)生的條件。我們可以對一些條件建模，比如溫度是否大于40攝氏度，濕度是否介于80到100之間，然后將這些特征輸入模型。

你要做的就是充分利用歷史數(shù)據(jù)，然后預(yù)測是否會產(chǎn)生風(fēng)暴。在這個例子中，評價的指標(biāo)是正確預(yù)測風(fēng)暴發(fā)生的次數(shù)。我們可以重復(fù)預(yù)測過程多次，然后將性能結(jié)果返回系統(tǒng)。

回到最初機(jī)器學(xué)習(xí)的定義，我們將風(fēng)暴預(yù)測系統(tǒng)定義如下：任務(wù)T是找到造成風(fēng)暴的大氣條件，性能P是在模型參數(shù)學(xué)習(xí)好之后，正確預(yù)測的次數(shù)，經(jīng)驗E是系統(tǒng)的迭代過程。

深度學(xué)習(xí)

深度學(xué)習(xí)其實很早之前就出現(xiàn)了，隨著近幾年的炒作，又逐漸火起來了。

深度學(xué)習(xí)是一種特殊的機(jī)器學(xué)習(xí)，它將現(xiàn)實世界表示為嵌套的層次概念體系（由較簡單概念間的聯(lián)系定義復(fù)雜概念，從一般抽象概括到高級抽象表示），從而獲得強(qiáng)大的性能與靈活性。

Deep learning is a particular kind of machine learning that achieves great power and flexibility by learning to represent the world as nested hierarchy of concepts, with each concept defined in relation to simpler concepts, and more abstract representations computed in terms of less abstract ones.