在這篇文章中，小編將對機器學習的相關(guān)內(nèi)容和情況加以介紹以幫助大家增進對它的了解程度，和小編一起來閱讀以下內(nèi)容吧。

一、機器學習、深度學習3大本質(zhì)區(qū)別

1、數(shù)據(jù)相關(guān)性

深度學習與傳統(tǒng)機器學習最重要的區(qū)別是，隨著數(shù)據(jù)量的增加，其性能也隨之提高。當數(shù)據(jù)很小的時候，深度學習算法并不能很好地執(zhí)行，這是因為深度學習算法需要大量的數(shù)據(jù)才能完全理解它。

隨著數(shù)據(jù)量的增大，深度學習的性能會越來越好，而傳統(tǒng)機器學習方法性能表現(xiàn)卻趨于平緩;但傳統(tǒng)的機器學習算法在數(shù)據(jù)量較小的情況下，比深度學習有著更好的表現(xiàn)。

2、硬件依賴性

深度學習算法在很大程度上依賴于高端機器，而傳統(tǒng)的機器學習算法可以在低端機器上工作。這是因為深度學習算法對GPU有較高的要求，GPU是其工作的一個組成部分。因為深度學習算法要固有地執(zhí)行大量的矩陣乘法運，而使用GPU可以有效地優(yōu)化這些操作，這就免不了對GPU的依賴。而相比之下，機器學習算法對硬件配置沒有很高的要求。

3、特征工程

特征工程是將領(lǐng)域知識應(yīng)用到特征抽取的創(chuàng)建過程，以降低數(shù)據(jù)的復雜性為目的。但這一過程在訓練時間和如何提取特征方面十分地困難。

在機器學習中，大多數(shù)應(yīng)用的特征需要由專家識別，然后根據(jù)域和數(shù)據(jù)類型手工編碼。

例如，特征可以是像素值、形狀、紋理、位置和方向，大多數(shù)機器學習算法的性能取決于特征識別和提取的準確程度。

而深度學習算法則試圖從數(shù)據(jù)中學習更高級的特性。這是深度學習一個非常獨特的部分，也是有別于傳統(tǒng)機器學習的一部分。因此，深度學習減少了為每個問題開發(fā)新的特征抽取的任務(wù)，而是像卷積神經(jīng)網(wǎng)絡(luò)(CNN)這樣嘗試學習低層次的特征，如：早期層次的邊緣和線條，然后是人臉的一部分，最后才是人臉的高層次表示。這樣的方式相較于機器學習，在訓練時間和成本上有較高的提升。

二、機器學習數(shù)據(jù)偏差

樣本偏差：當數(shù)據(jù)集不能反映模型將在其中運行的環(huán)境的實際情況時，就會發(fā)生樣本偏差。這樣的一個例子是某些主要在白人圖像上訓練的面部識別系統(tǒng)。這些模型對婦女和不同種族的人的準確度要低得多。此偏差的另一個名稱是選擇偏差。

排除偏差：排除偏差在數(shù)據(jù)預處理階段最常見。通常，這是刪除不重要的有價值數(shù)據(jù)的情況。但是，由于某些信息的系統(tǒng)排除，它也可能發(fā)生。例如，假設(shè)你有一個在美國和加拿大的客戶銷售數(shù)據(jù)集。98%的客戶來自美國，因此你選擇刪除不相關(guān)的位置數(shù)據(jù)。但是，這意味著你的模型將不會因為加拿大客戶的消費增加兩倍多這一事實而受到影響。

測量偏差：當為訓練而收集的數(shù)據(jù)與現(xiàn)實世界中收集的數(shù)據(jù)不同時，或者當錯誤的測量結(jié)果導致數(shù)據(jù)失真時，就會發(fā)生這種偏差。這種偏差的一個很好的例子出現(xiàn)在圖像識別數(shù)據(jù)集中，其中訓練數(shù)據(jù)是用一種類型的照相機收集的，而生產(chǎn)數(shù)據(jù)是用另一種照相機收集的。在項目的數(shù)據(jù)標記階段，由于注釋不一致也會導致測量偏差。

召回偏差：這是一種測量偏差，在項目的數(shù)據(jù)標記階段很常見。當你不一致地標記相似類型的數(shù)據(jù)時，就會產(chǎn)生召回偏差。這導致較低的精度。例如，假設(shè)你有一個團隊將電話的圖像標記為損壞，部分損壞或未損壞。如果有人將一張圖像標記為已損壞，但將相似的圖像標記為部分已損壞，則你的數(shù)據(jù)將不一致。

觀察者偏差：也稱為確認偏差，觀察者偏差是看到你期望在數(shù)據(jù)中看到或想要看到的結(jié)果的效果。當研究人員在有意識或無意識的情況下對自己的研究有主觀想法進入項目時，可能會發(fā)生這種情況。當標簽制作者讓主觀思想控制他們的標簽制作習慣，從而導致數(shù)據(jù)不準確時，你也可以看到這一點。

以上就是小編這次想要和大家分享的有關(guān)機器學習的內(nèi)容，希望大家對本次分享的內(nèi)容已經(jīng)具有一定的了解。如果您想要看不同類別的文章，可以在網(wǎng)頁頂部選擇相應(yīng)的頻道哦。