1. 往期文章推荐
1.【机器学习】图神经网络(NRI)模型原理和运动轨迹预测代码实现
-
【机器学习】基于Gumbel Top-k松弛技术的图形采样
-
【机器学习】基于Softmax松弛技术的离散数据采样
-
【机器学习】正则卷积群理论及Python代码实现
-
【机器学习】深度概率模型(DPM)原理和文本分类实践
-
【机器学习】基于稀疏识别方法的洛伦兹混沌系统预测
-
【机器学习】Transformer框架理论详解和代码实现
-
【机器学习】基于RoBERTa模型的句子嵌入实践
10.【机器学习】计算机图形和深度学习模型NeRF详解(2)
-
【机器学习】计算机图形和深度学习模型NeRF详解(1)
-
【机器学习】基于NeRF的3D动画渲染
-
【深度学习】基于EANet模型的图像识别和分类技术
-
【深度学习】基于注意力机制的多实例学习(MIL)图像分类
-
【深度学习】基于深度离散潜在变量模型的变分推理
2.机器学习与深度学习简介
2.1.机器学习（Machine Learning, ML）
1. 定义与目标
- 机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。
- 专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
- 它是人工智能的核心，是使计算机具有智能的根本途径。
2. 方法
- 机器学习算法构建一个基于样本数据的数学模型，称为"训练数据"，以便在没有明确编程来执行任务的情况下进行预测或决策。
- 机器学习算法分为多种类型，如监督学习、无监督学习和强化学习等。
3. 应用
- 机器学习算法广泛应用于各种领域，如电子邮件过滤、计算机视觉、自然语言处理等。
2.2.深度学习（Deep Learning, DL）
1. 定义与目标
- 深度学习是机器学习的一个子集，它使用多层人工神经网络（ANN）来模拟人脑的学习过程。
- 深度学习的主要目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
2. 方法
- 深度学习使用多层人工神经网络，由输入和输出之间节点的几个"隐藏层"组成。
- 神经网络通过反向传播和梯度下降等方法进行训练，以优化网络参数。
- 深度学习中的"深度"一词表示用于识别数据模式的多层算法或神经网络。
3. 特点
- 深度学习具有高度的灵活性和自适应性，可以直接从原始数据中学习特征表示。
- 深度学习在语音识别、图像识别、自然语言处理等领域取得了显著成效。
4. 应用
- 深度学习在自动驾驶、智能语音助手、医疗诊断等领域有着广泛的应用。
2.3.总结
- 深度学习和机器学习都是人工智能领域的重要分支，但深度学习是机器学习的一个子集，更加专注于使用多层神经网络进行复杂的数据分析和处理。
- 两者在方法、应用等方面存在联系和区别，但都致力于提高计算机的智能水平和解决现实问题的能力。