机器学习vs.深度学习_工作流管理_工作流软件_深圳市和丰软件技术有限公司【知名】

13544009511
我们做过什么

机器学习vs.深度学习

发布日期:2021-01-10 浏览次数:

特征工程是模型构建过程中的关键步骤。此过程分为两步:

1.  特征提取(Feature extraction)

2.  特征选择(Feature selection)

在特征提取中,我们提取问题陈述中所需的所有特征;在特征选择中,我们选择能够提高机器学习或深度学习模型性能的重要特征。

想一想图像分类问题。要从图像中手动提取特征的话,就要对该主题和领域有深入的了解。这是一个及其耗时的过程。有了深度学习,我们就可以实现特征工程自动化了!

机器学习和深度学习间的比较

既然我们已经了解了深度学习的重要性,以及它为何能超越传统的机器学习算法,那么接下来就让我们进入本文的关键部分。我们将讨论在解决深度学习问题时会用到的不同类型的神经网络。

深度学习中不同类型的神经网络

本文将重点讨论3种重要类型的神经网络,它们构成了深度学习中大多数预训练模型的基础:

  • 多层感知器Multi-Layer Perceptron (MLP) / 人工神经网络Artificial Neural Networks (ANN)

  • 卷积神经网络Convolution Neural Networks (CNN)

  • 循环神经网络Recurrent Neural Networks (RNN)

下面让我们详细了解一下这几种神经网络吧!

粤公网安备 44030502004911号