深度學(xué)習(xí)和傳統(tǒng)機(jī)器學(xué)習(xí)相比有哪些優(yōu)勢(shì)?

一、數(shù)據(jù)依賴性

深度學(xué)習(xí)與傳統(tǒng)的機(jī)器學(xué)習(xí)最主要的區(qū)別在于隨著數(shù)據(jù)規(guī)模的增加其性能也不斷增長(zhǎng)。當(dāng)數(shù)據(jù)很少時(shí)，深度學(xué)習(xí)算法的性能并不好。這是因?yàn)樯疃葘W(xué)習(xí)算法需要大量的數(shù)據(jù)來(lái)完美地理解它。

三、硬件依賴

深度學(xué)習(xí)算法需要進(jìn)行大量的矩陣運(yùn)算，GPU 主要用來(lái)高效優(yōu)化矩陣運(yùn)算，所以 GPU 是深度學(xué)習(xí)正常工作的必須硬件。與傳統(tǒng)機(jī)器學(xué)習(xí)算法相比，深度學(xué)習(xí)更依賴安裝 GPU 的高端機(jī)器。

二、特征處理

特征處理是將領(lǐng)域知識(shí)放入特征提取器里面來(lái)減少數(shù)據(jù)的復(fù)雜度并生成使學(xué)習(xí)算法工作的更好的模式的過(guò)程。特征處理過(guò)程很耗時(shí)而且需要專業(yè)知識(shí)。

深度學(xué)習(xí)嘗試從數(shù)據(jù)中直接獲取高等級(jí)的特征，這是深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)算法的主要的不同?；诖?，深度學(xué)習(xí)削減了對(duì)每一個(gè)問(wèn)題設(shè)計(jì)特征提取器的工作。

例如，卷積神經(jīng)網(wǎng)絡(luò)嘗試在前邊的層學(xué)習(xí)低等級(jí)的特征，然后學(xué)習(xí)部分人臉，然后是高級(jí)的人臉的描述。更多信息可以閱讀神經(jīng)網(wǎng)絡(luò)機(jī)器在深度學(xué)習(xí)里面的有趣應(yīng)用。

當(dāng)應(yīng)用傳統(tǒng)機(jī)器學(xué)習(xí)算法解決問(wèn)題的時(shí)候，傳統(tǒng)機(jī)器學(xué)習(xí)通常會(huì)將問(wèn)題分解為多個(gè)子問(wèn)題并逐個(gè)子問(wèn)題解決最后結(jié)合所有子問(wèn)題的結(jié)果獲得最終結(jié)果。相反，深度學(xué)習(xí)提倡直接的端到端的解決問(wèn)題。