吳恩達物體檢測源碼

㈠ 深度學習和機器學習的區別是什麼

1、機器學習是一種實現人工智慧的方法，深度學習是一種實現機器學習的技術。

2、深度學習本來並不是一種獨立的學習方法，其本身也會用到有監督和無監督的學習方法來訓練深度神經網路。但由於近幾年該領域發展迅猛，一些特有的學習手段相繼被提出（如殘差網路），因此越來越多的人將其單獨看作一種學習的方法。

3、機器學習最基本的做法，是使用演算法來解析數據、從中學習，然後對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟體程序不同，機器學習是用大量的數據來「訓練」，通過各種演算法從數據中學習如何完成任務。

拓展資料：

1、機器學習直接來源於早期的人工智慧領域，傳統的演算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等等。從學習方法上來分，機器學習演算法可以分為監督學習（如分類問題）、無監督學習（如聚類問題）、半監督學習、集成學習、深度學習和強化學習。傳統的機器學習演算法在指紋識別、基於Haar的人臉檢測、基於HoG特徵的物體檢測等領域的應用基本達到了商業化的要求或者特定場景的商業化水平，但每前進一步都異常艱難，直到深度學習演算法的出現。

2、最初的深度學習是利用深度神經網路來解決特徵表達的一種學習過程。深度神經網路本身並不是一個全新的概念，可大致理解為包含多個隱含層的神經網路結構。為了提高深層神經網路的訓練效果，人們對神經元的連接方法和激活函數等方面做出相應的調整。其實有不少想法早年間也曾有過，但由於當時訓練數據量不足、計算能力落後，因此最終的效果不盡如人意。深度學習摧枯拉朽般地實現了各種任務，使得似乎所有的機器輔助功能都變為可能。無人駕駛汽車，預防性醫療保健，甚至是更好的電影推薦，都近在眼前，或者即將實現。

㈡ 學習人工智慧要懂什麼Python就行還是深度學習或機器學習都要掌握呢

人工智慧的浪潮正在席捲全球，諸多詞彙時刻縈繞在我們耳邊：人工智慧（Artificial Intelligence）、機器學習（Machine Learning）、深度學習（Deep Learning）。不少人對這些高頻詞彙的含義及其背後的關系總是似懂非懂、一知半解。

為了幫助大家更好地理解人工智慧，這篇文章用最簡單的語言解釋了這些詞彙的含義，理清它們之間的關系，希望對剛入門的同行有所幫助。

圖三 三者關系示意圖

目前，業界有一種錯誤的較為普遍的意識，即「深度學習最終可能會淘汰掉其他所有機器學習演算法」。這種意識的產生主要是因為，當下深度學習在計算機視覺、自然語言處理領域的應用遠超過傳統的機器學習方法，並且媒體對深度學習進行了大肆誇大的報道。

深度學習，作為目前最熱的機器學習方法，但並不意味著是機器學習的終點。起碼目前存在以下問題：

1. 深度學習模型需要大量的訓練數據，才能展現出神奇的效果，但現實生活中往往會遇到小樣本問題，此時深度學習方法無法入手，傳統的機器學習方法就可以處理；

2. 有些領域，採用傳統的簡單的機器學習方法，可以很好地解決了，沒必要非得用復雜的深度學習方法；

3. 深度學習的思想，來源於人腦的啟發，但絕不是人腦的模擬，舉個例子，給一個三四歲的小孩看一輛自行車之後，再見到哪怕外觀完全不同的自行車，小孩也十有八九能做出那是一輛自行車的判斷，也就是說，人類的學習過程往往不需要大規模的訓練數據，而現在的深度學習方法顯然不是對人腦的模擬。

深度學習大佬 Yoshua Bengio 在 Quora 上回答一個類似的問題時，有一段話講得特別好，這里引用一下，以回答上述問題：

Science is NOT a battle, it is a collaboration. We all build on each other's ideas. Science is an act of love, not war. Love for the beauty in the world that surrounds us and love to share and build something together. That makes science a highly satisfying activity, emotionally speaking!

這段話的大致意思是，科學不是戰爭而是合作，任何學科的發展從來都不是一條路走到黑，而是同行之間互相學習、互相借鑒、博採眾長、相得益彰，站在巨人的肩膀上不斷前行。機器學習的研究也是一樣，你死我活那是邪教，開放包容才是正道。

結合機器學習2000年以來的發展，再來看Bengio的這段話，深有感觸。進入21世紀，縱觀機器學習發展歷程，研究熱點可以簡單總結為2000-2006年的流形學習、2006年-2011年的稀疏學習、2012年至今的深度學習。未來哪種機器學習演算法會成為熱點呢？深度學習三大巨頭之一吳恩達曾表示，「在繼深度學習之後，遷移學習將引領下一波機器學習技術」。但最終機器學習的下一個熱點是什麼，誰又能說得准呢。

㈢ 為什麼深度學習大勢超過傳統機器學習

人工智慧風靡一時！突然之間，每一個人，無論是否理解，都在談論它。人工智慧的發展趨勢似乎勢不可擋，但它真正歸結為兩個非常流行的概念：機器學習和深度學習。但最近，深度學習越來越受歡迎，因為它在用大量數據訓練時的准確性方面至高無上。

通常，由於大量的參數，深度學習演算法需要很長時間進行訓練。最受歡迎的ResNet演算法需要大約兩周的時間才能完全從頭開始訓練。傳統的機器學習演算法需要幾秒到幾個小時來訓練，這個場景在測試階段完全相反。在測試時，深度學習演算法花費的時間少得多。然而，如果將其與最近鄰演算法（一種機器學習演算法）進行比較，則測試時間會隨著數據大小的增加而增加。雖然這不適用於所有機器學習演算法，但其中一些演算法的測試時間也很短。

可解釋性是為什麼許多行業在深度學習中使用其他機器學習技術的主要問題。我們舉個例子吧，假設我們使用深度學習來計算文檔的相關性分數。它提供的性能非常好，接近人類的表現。但是有一個問題，它沒有揭示為什麼它給出了這個分數。事實上，你可以在數學上找出深層神經網路的哪些節點被激活，但我們不知道神經元應該建模什麼，以及這些神經元層共同做了什麼。所以我們不能解釋結果。這不是機器學習演算法，如決策樹，邏輯回歸等。

何時使用深度學習或不使用？

1.深度學習如果數據量很大，則執行其他技術。但由於數據量較小，傳統的機器學習演算法更為可取。

2.深度學習技術需要有高端基礎設施來在合理的時間內進行培訓。

3.當對特徵內省缺乏領域理解時，深度學習技術超越了其他領域，因為你不必擔心特徵工程。

4.深度學習在圖像分類、自然語言處理和語音識別等復雜問題方面真正發揮出色。