深度学习与神经网络：深度学习与神经网络之间的区别

人工智能和机器学习自 1950 年代后期的概念以来已经走过了漫长的道路。 今天，这些技术已经变得非常复杂和先进。 然而，虽然数据科学领域的技术进步非常受欢迎，但它带来了一系列超出普通人理解的术语。

事实上，即使是许多利用人工智能和机器学习等颠覆性技术的企业也无法区分许多技术术语。

围绕数据科学带来的新术语混淆的核心原因是因为数据科学概念彼此深深地交织在一起——它们在许多方面是相互关联的。

这就是为什么我们经常听到和看到我们周围的人交替使用“人工智能”、“机器学习”和“深度学习”这些术语。 然而，尽管在概念上有相似之处，但这些技术以它们自己的方式是独一无二的。

今天，我们将讨论数据科学中不太突出的问题之一——深度学习与神经网络的辩论。

在我们深入探讨深度学习与神经网络的争论之前，我们必须了解这些概念各自的含义。

什么是深度学习？

深度学习或分层学习是人工智能机器学习的一个子集，它可以模仿人脑的数据处理功能，并创建大脑用于决策的类似模式。 与基于任务的算法相反，深度学习系统从数据表示中学习——它们可以从非结构化或未标记的数据中学习。

深度神经网络、信念网络、循环神经网络和卷积神经网络等深度学习架构已在计算机视觉、音频/语音识别、机器翻译、社交网络过滤、生物信息学、药物设计等领域得到应用.

什么是神经网络？

神经网络由各种以人脑为模型的算法组成。 这些算法可以通过机器感知来解释感官数据，并对原始数据进行标记或聚类。 它们旨在识别向量中包含的数字模式，所有现实世界的数据（图像、声音、文本、时间序列等）都必须在这些向量中进行转换。

本质上，神经网络的主要任务是对原始数据进行聚类和分类——它们根据输入数据中发现的相似性对未标记的数据进行分组，然后根据标记的训练数据集对数据进行分类。 神经网络可以自动适应不断变化的输入。 因此，您无需在每次输入更改时重新设计输出标准以生成可能的最佳结果。

深度学习与神经网络

虽然深度学习在其架构中加入了神经网络，但深度学习和神经网络之间存在明显差异。 在这里，我们将阐明深度学习和神经网络之间的三个主要区别。

一、定义

神经网络——它是一种由 ML 算法组成的结构，其中人工神经元构成核心计算单元，专注于揭示数据集中的底层模式或连接，就像人脑在决策时所做的那样。

深度学习——它是机器学习的一个分支，它利用一系列包含多层的非线性处理单元进行特征转换和提取。 它有几层执行机器学习过程的人工神经网络。 神经网络的第一层处理原始数据输入并将信息传递给第二层。 深度学习职业道路：最吸引人的工作角色

第二个稍后通过添加附加信息（例如，用户的 IP 地址）进一步处理该信息并将其传递到下一层。 这个过程在深度学习网络的所有层中持续进行，直到达到预期的结果。

2.结构

神经网络由以下组件组成：

• 神经元——神经元是一种数学函数，旨在模仿生物神经元的功能。 它计算数据输入的加权平均值，并通过非线性函数传递信息，也就是激活函数（例如，sigmoid）。
• 连接和权重——顾名思义，连接将一层中的神经元连接到同一层或另一层中的另一个神经元。 每个连接都有一个与其关联的权重值。 这里，权重表示单元之间的连接强度。 目的是降低权重值以减少丢失（错误）的可能性。
• 传播函数——两个传播函数在神经网络中起作用：传递“预测值”的前向传播和传递“错误值”的反向传播。
• 学习率——神经网络使用梯度下降来优化权重。 每次迭代都使用反向传播来计算损失函数对每个权重值的导数，并将其从该权重中减去。 学习率决定了更新模型权重（参数）值的速度或速度。

深度学习模型由以下组件组成：

• 主板– 该型号的主板芯片组通常基于 PCI-e 通道。
• 处理器——深度学习所需的 GPU 必须根据处理器的核心数量和成本来确定。
• RAM – 这是物理内存和存储。 由于深度学习算法需要更大的 CPU 使用率和存储区域，因此 RAM 必须很大。
• PSU——随着内存需求的增加，使用能够处理大量复杂深度学习功能的大型 PSU 变得至关重要。

从世界顶级大学在线获得机器学习培训。 获得硕士、Executive PGP 或高级证书课程以加快您的职业生涯。

3. 建筑

神经网络的架构包括：

• 前馈神经网络——这是最常见的一种神经网络架构，其中第一层是输入层，最后一层是输出层。 所有中间层都是隐藏层。
• 循环神经网络——这种网络架构是一系列人工神经网络，其中节点之间的连接沿着时间序列形成有向图。 因此，这种类型的网络描述了时间动态行为。
• 对称连接神经网络——这些类似于循环神经网络，唯一的区别是在对称连接神经网络中，单元之间的连接是对称的（它们在两个方向上具有相同的权重值）。

深度学习模型的架构包括：

• 无监督预训练网络——顾名思义，这种架构不需要正式训练，因为它是根据过去的经验进行预训练的。 其中包括自动编码器、深度信念网络和生成对抗网络。
• 卷积神经网络——这是一种深度学习算法，可以接收输入图像，将重要性（可学习的权重和偏差）分配给图像中的不同对象，并区分这些对象。
• 循环神经网络——循环神经网络是指一种特定类型的人工神经网络，它向网络添加额外的权重以在网络图中创建循环，从而保持内部状态。
• 递归神经网络——这是一种深度神经网络，它通过在结构化输入上递归地应用相同的权重集来创建，通过传递拓扑结构对可变大小的输入结构产生结构化预测或标量预测。

结论

由于深度学习和神经网络如此紧密地交织在一起，因此很难在表面上将它们区分开来。 但是，到目前为止，您已经了解深度学习和神经网络之间存在显着差异。

虽然神经网络使用神经元通过连接以输入值和输出值的形式传输数据，但深度学习与特征的转换和提取相关联，该特征试图在大脑中存在的刺激和相关神经反应之间建立关系。

如果您有兴趣了解有关深度学习和人工智能的更多信息，请查看我们的机器学习和人工智能执行 PG 计划，该计划专为在职专业人士设计，并提供超过 450 小时的严格培训。