機器學(xué)習(xí)與深度學(xué)習(xí)有什么異同？深度學(xué)習(xí)和一般機器學(xué)習(xí)的區(qū)別是什么1:一般機器學(xué)習(xí)一般指決策樹、邏輯回歸、支持向量機、xgboost等，深度學(xué)習(xí)的主要特點是使用深度神經(jīng)網(wǎng)絡(luò)：深度卷積網(wǎng)絡(luò)、深度循環(huán)網(wǎng)絡(luò)，

機器學(xué)習(xí)與深度學(xué)習(xí)有什么異同？

深度學(xué)習(xí)和一般機器學(xué)習(xí)的區(qū)別是什么

1:一般機器學(xué)習(xí)一般指決策樹、邏輯回歸、支持向量機、xgboost等，深度學(xué)習(xí)的主要特點是使用深度神經(jīng)網(wǎng)絡(luò)：深度卷積網(wǎng)絡(luò)、深度循環(huán)網(wǎng)絡(luò)，遞歸網(wǎng)絡(luò)等。算法在層次上沒有相似性。很難說相似性可能是每個人的函數(shù)都要擬合的高維函數(shù)。 ] ]2:一般機器學(xué)習(xí)在分析低維和可解釋的任務(wù)時表現(xiàn)更好。例如，數(shù)據(jù)挖掘和推薦算法。它們的特點是，總體而言，所收集的數(shù)據(jù)維數(shù)不高。以廣告推送任務(wù)為例，一般分析的數(shù)據(jù)維度僅包括性別、年齡、學(xué)歷、職業(yè)等，參數(shù)調(diào)整方向明確。

3：深度學(xué)習(xí)算法擅長分析高維數(shù)據(jù)。例如，圖像、聲音等。例如，圖像可以具有千萬像素，相當(dāng)于千萬特征向量維，并且像素之間的關(guān)系不是特別明顯。在這種情況下，卷積神經(jīng)網(wǎng)絡(luò)能夠有效地處理這一問題，基本上能夠非常準(zhǔn)確地掌握圖像的特征。但各維度的解釋力很弱，參數(shù)調(diào)整的方向也不明確（神經(jīng)元個數(shù)、隱層個數(shù)等）。綜上所述，兩者其實有很大的不同。近年來，深度學(xué)習(xí)得到了發(fā)展。傳統(tǒng)的機器學(xué)習(xí)算法大多來源于概率論和信息學(xué)。在編程方面，傳統(tǒng)的機器學(xué)習(xí)模型基本上集成到sklearn包中。對于深度學(xué)習(xí)，可以使用tensorflow作為框架。對于傳統(tǒng)機器學(xué)習(xí)的詳細(xì)理解，可以從李航的統(tǒng)計原理或周志華的機器學(xué)習(xí)（又稱西瓜書）中看到。由于近兩年關(guān)于深度學(xué)習(xí)的書籍很少，我們可以參考近兩年關(guān)于深度學(xué)習(xí)的論文。當(dāng)然，它們都需要一個堅實的數(shù)學(xué)基礎(chǔ)，主要是因為這三本書：線性代數(shù)或高等代數(shù)，高等數(shù)學(xué)或數(shù)學(xué)分析，概率論或隨機過程

自己的另一半，是想找一個和自己相似的人，還是找一位差異互補性強的人呢？為什么？

悲觀，負(fù)能量的人在一起，很麻煩！