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

一、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)3大本質(zhì)區(qū)別

1、數(shù)據(jù)相關(guān)性

深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)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(dāng)數(shù)據(jù)很小的時候，深度學(xué)習(xí)算法并不能很好地執(zhí)行，這是因?yàn)樯疃葘W(xué)習(xí)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(xué)習(xí)的性能會越來越好，而傳統(tǒng)機(jī)器學(xué)習(xí)方法性能表現(xiàn)卻趨于平緩;但傳統(tǒng)的機(jī)器學(xué)習(xí)算法在數(shù)據(jù)量較小的情況下，比深度學(xué)習(xí)有著更好的表現(xiàn)。

2、硬件依賴性

深度學(xué)習(xí)算法在很大程度上依賴于高端機(jī)器，而傳統(tǒng)的機(jī)器學(xué)習(xí)算法可以在低端機(jī)器上工作。這是因?yàn)樯疃葘W(xué)習(xí)算法對GPU有較高的要求，GPU是其工作的一個組成部分。因?yàn)樯疃葘W(xué)習(xí)算法要固有地執(zhí)行大量的矩陣乘法運(yùn)，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(jī)器學(xué)習(xí)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(fù)雜性為目的。但這一過程在訓(xùn)練時間和如何提取特征方面十分地困難。

在機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)算法的性能取決于特征識別和提取的準(zhǔn)確程度。

而深度學(xué)習(xí)算法則試圖從數(shù)據(jù)中學(xué)習(xí)更高級的特性。這是深度學(xué)習(xí)一個非常獨(dú)特的部分，也是有別于傳統(tǒng)機(jī)器學(xué)習(xí)的一部分。因此，深度學(xué)習(xí)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(xué)習(xí)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(jī)器學(xué)習(xí)，在訓(xùn)練時間和成本上有較高的提升。

二、機(jī)器學(xué)習(xí)數(shù)據(jù)偏差

樣本偏差：當(dāng)數(shù)據(jù)集不能反映模型將在其中運(yùn)行的環(huán)境的實(shí)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(xùn)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(zhǔn)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(yù)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?yàn)榧幽么罂蛻舻南M(fèi)增加兩倍多這一事實(shí)而受到影響。

測量偏差：當(dāng)為訓(xùn)練而收集的數(shù)據(jù)與現(xiàn)實(shí)世界中收集的數(shù)據(jù)不同時，或者當(dāng)錯誤的測量結(jié)果導(dǎo)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(xùn)練數(shù)據(jù)是用一種類型的照相機(jī)收集的，而生產(chǎn)數(shù)據(jù)是用另一種照相機(jī)收集的。在項(xiàng)目的數(shù)據(jù)標(biāo)記階段，由于注釋不一致也會導(dǎo)致測量偏差。

召回偏差：這是一種測量偏差，在項(xiàng)目的數(shù)據(jù)標(biāo)記階段很常見。當(dāng)你不一致地標(biāo)記相似類型的數(shù)據(jù)時，就會產(chǎn)生召回偏差。這導(dǎo)致較低的精度。例如，假設(shè)你有一個團(tuán)隊(duì)將電話的圖像標(biāo)記為損壞，部分損壞或未損壞。如果有人將一張圖像標(biāo)記為已損壞，但將相似的圖像標(biāo)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(rèn)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(dāng)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(jìn)入項(xiàng)目時，可能會發(fā)生這種情況。當(dāng)標(biāo)簽制作者讓主觀思想控制他們的標(biāo)簽制作習(xí)慣，從而導(dǎo)致數(shù)據(jù)不準(zhǔn)確時，你也可以看到這一點(diǎn)。

以上就是小編這次想要和大家分享的有關(guān)機(jī)器學(xué)習(xí)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。