机器学习和深度学习有什么区别

机器学习(Machine Learning, ML)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，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

机器学习如此重要的原因是什么？一个重大突破导致机器学习成为人工智能背后的动力 – 互联网的发明。互联网有大量的数字信息被生成存储和分析。机器学习算法在这些大数据方面是最有效的。

神经网络 ⇱

如果我们谈论机器学习时，值得一提的是机器学习算法：神经网络。

神经网络是机器学习算法的关键部分。神经网络是教计算机以人类的方式思考和理解世界的关键。实质上，神经网络是模拟人类的大脑。这被抽象为由加权边缘（突触）连接的节点（神经元）的图形。有关神经网络的更多信息请查看神经网络概述。

这个神经网络有一层，三个输入和一个输出。任何神经网络都可以有任何数量的层，输入或输出。

深度学习

机器学习算法一直是人工智能背后的推动力量。所有机器学习算法中最关键的是深度学习。

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

这个神经网络有两层，三个输入和一个输出。任何神经网络都可以有任何数量的层，输入或输出。输入神经元和最后一层输出神经元之间的层是深层神经网络的隐藏层。

深度学习最好的表现是深度神经网络（DNN）。深层神经网络只是一个超过两层或三层的神经网络。然而，深度神经网络并不是深度学习算法的唯一类型 -但它是最流行的类型。另一个深度学习算法是深度信任网络（DBN）。深层信任网络在层与层之间不直接联系。这意味着DNN和DBN的拓扑在定义上是不同的。DBN中的无向层被称为 Restricted Boltzmann Machines。