深度学习和机器学习提供方法来训练模型和分类数据。这个视频中比较了两个,它提供了一种帮助你决定使用哪一个。让我们首先讨论猫和狗的典型例子。现在,在这张照片,你看到一只猫或狗吗?你能回答这个问题吗?你曾见过很多猫和狗随着时间的推移,您已经了解了如何识别它们。这就是我们想要让电脑做:学习和识别的例子。
还请记住,有时甚至人类能识别错误的,所以我们可能期望电脑作出类似的错误。有一台电脑做分类使用一个标准的机器学习方法,我们会手动选择一个图像的相关特征,如边缘或角落,为了训练机器学习模型。然后模型引用这些功能在分析和分类的新对象。
这是目标识别的一个例子。然而,这些技术还可以用于场景识别和目标检测。解决机器学习问题的时候,你遵循一个特定的工作流。你从一个图像,然后提取相关特征。然后您创建一个模型,描述或预测的对象。另一方面,深度学习,你跳过的手动步骤从图像中提取特征。相反,你给图片直接进入深度的学习算法,然后预测对象。
所以深学习是机器学习的一个亚型。它直接处理图像和往往是更复杂的。剩下的视频,当我提到机器学习,我的意思是任何深度学习的类别。在选择机器学习和深度学习,你应该问问你自己你是否有一个高性能的GPU和很多标签的数据。
如果你没有这些东西,你会有更好的运气用在深度学习机器学习。这是因为深度学习通常是更复杂,所以你至少需要几千图像得到可靠的结果。你还需要一个高性能的GPU的模型分析这些图像花更少的时间。如果你选择机器学习,你可以选择火车模型在许多不同的分类器。你还知道哪些特性提取会产生最好的结果。
另外,机器学习,你有选择的灵活性相结合的方法。使用不同的分类和特性,看看哪个安排最适合你的数据。您可以使用MATLAB来试试这些快速组合。还请记住,如果你想做事情像人脸检测,您可以使用开箱即用的MATLAB的例子。
正如我们之前提到的,你需要更少的数据与深度学习与机器学习,你可以得到更快的训练模型。然而,深度学习最近变得非常受欢迎,因为它是高度准确的。你不需要理解哪些对象的特性是最好的代表。这些是为你学习。但是在深入学习模型,需要大量的数据,这意味着需要花很长时间来训练模型。
你还负责许多参数,因为模型是一个黑盒子,如果不是正常工作,它可能很难调试。
所以,总之,学习机器学习和深度之间的选择取决于你的数据和你想解决的问题。MATLAB与这两种技术可以帮助您,单独或作为一个综合的方法。想了解更多,请访问mathworks.com/deep-learning。
