原文：
www.kdnuggets.com/2016/12/deep-learning-radically-different-machine-learning.html
评论
现在关于人工智能（AI）、机器学习（ML）和深度学习（DL）的混淆很多。确实，关于 AI 作为一种竞争性游戏改变者的文章急剧增加，企业应该开始认真探索这些机会。对于这些领域的从业者来说，AI、ML 和 DL 之间的区别非常明确。AI 是一个涵盖从传统人工智能（GOFAI）到类似深度学习的连接主义架构的全包范围。ML 是 AI 的一个子领域，涵盖了与通过数据训练学习算法研究相关的一切。多年来，已经开发出大量的技术，例如线性回归、K-means、决策树、随机森林、PCA、SVM，最后是人工神经网络（ANN）。人工神经网络是深度学习领域的起源所在。
一些具有人工神经网络（ANN）先验经验的 ML 从业者，毕竟它是在 60 年代初发明的，最初会认为深度学习不过是具有多层的 ANN。进一步说，DL 的成功更多地归因于数据的增加以及像图形处理单元（GPU）这样更强大的计算引擎的出现。这当然是正确的，DL 的出现确实归功于这两项进步，然而将 DL 仅仅视为比 SVM 或决策树更好的算法，就像只看到树木而看不到森林一样。
引用 Andreesen 的话“软件正在吞噬世界”，可以说“深度学习正在吞噬机器学习”。来自不同机器学习领域的从业者的两篇出版物最恰当地总结了为什么 DL 正在占领世界。NLP 领域的专家 Chris Manning 写道 “深度学习的巨浪”：
深度学习的波涛已经冲击了计算语言学的海岸多年，但 2015 年似乎是巨浪全面袭击主要自然语言处理（NLP）会议的一年。然而，一些专家预测最终的损害可能会更严重。
Nicholas Paragios 在 “计算机视觉研究：深度的低谷” 中写道：
这可能仅仅是因为深度学习在高度复杂、自由度极高的图上，一旦拥有大量标注数据和近期才出现的不可思议的计算能力，就可以解决所有计算机视觉问题。如果是这样，那么行业（似乎已经是这种情况）接管只是时间问题，计算机视觉研究将成为边缘的学术目标，该领域将沿着计算机图形学（在活动和学术研究量方面）的发展路径前进。
这两篇文章确实强调了深度学习领域对传统机器学习实践的根本性颠覆。当然，它在商业世界中也应该同样具有颠覆性。然而，我对即使是 Gartner 也未能识别机器学习与深度学习之间的区别感到震惊和困惑。以下是 Gartner 2016 年 8 月的炒作周期图，深度学习甚至没有被提及：
真是个悲剧！他们的客户对机器学习有狭隘的看法，结果将被深度学习盲目冲击，这几乎是犯罪。
不管怎样，尽管被忽视，深度学习（DL）依然持续被炒作。目前的深度学习炒作倾向于认为我们拥有这些商品化的机器，只要有足够的数据和训练时间，就能自我学习。这当然要么是对最先进技术能力的夸张，要么是对实际深度学习实践的过度简化。在过去几年里，深度学习催生了大量以前未知或被认为不可行的思想和技术。最初，这些概念似乎是零散和不相关的。然而，随着时间的推移，模式和方法开始显现，我们正拼命尝试在“深度学习设计模式”中覆盖这些领域。
现今的深度学习不仅仅是多层感知机，而是用于构建可组合的可微分架构的一系列技术和方法。这些是极其强大的机器学习系统，我们现在只是看到了冰山一角。关键在于，深度学习今天可能看起来像炼金术，但我们最终会学会像化学一样实践它。也就是说，我们将拥有更坚实的基础，以便能够以更大的可预测性构建我们的学习机器。
顺便提一下，如果你有兴趣了解深度学习如何帮助你的工作，请随时在此留下你的电子邮件：www.intuitionmachine.com 或加入 Facebook 讨论：www.facebook.com/groups/deeplearningpatterns/
个人简介：Carlos Perez 是一名软件开发人员，目前正在撰写一本关于“深度学习设计模式”的书。这是他从中获取博客文章灵感的来源。
原文。经许可转载。
相关：
-
深度学习的不足之处
-
深度学习研究回顾：强化学习
-
预测科学与数据科学
1. 谷歌网络安全证书 - 快速进入网络安全职业轨道。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织的 IT 工作