关于问题学习深度学习是否要先学习机器学习?一共有 5 位热心网友为你解答:
【1】、来自网友【Inspiration】的最佳回答:
在学习深度学习之前,通常建议先学习机器学习的基础知识,因为深度学习是机器学习的一个分支,建立在机器学习的基础之上。机器学习的基础包括线性代数、概率论、统计学、优化理论等数学知识,以及分类、回归、聚类等常见机器学习算法的理论和实践。
如果你已经熟悉了机器学习的基础知识,那么可以直接学习深度学习,深入了解神经网络、卷积神经网络、循环神经网络等深度学习的基本概念和算法,并通过实践掌握深度学习框架的使用。
【2】、来自网友【智能情感里奥】的最佳回答:
针对这个问题,我的总体建议就是:
本着大处着眼小处着手的学习原则,顺藤摸瓜,展开学习。
不老在门口徘徊,一脚先进去,然后定位自己需要的知识点,进行聚焦学习。
首先比较下两者的区别
机器学习与深度学习有什么区别?
两者的关系是:人工智能 AI 包括机器学习,机器学习包括深度学习。
额外也提一下数据挖掘,大数据的挖掘常用的方法有分类、回归分析、聚类、关联规则、神经网络方法、Web 数据挖掘等。所以我们看到机器学习跟深度学习都是数据挖掘的方法。
什么是机器学习?
机器学习(Machine Learning,ML)是人工智能的子领域,也是人工智能的核心。机器学习是一门交叉学科,综合利用概率论知识,统计学知识,近似理论知识和复杂算法知识,模拟人类的思考解决问题的方式,达到充分利用计算机超强运算能力协助人类解决问题的目的。
什么是深度学习?
深度学习(DeepLearning,DL)属于机器学习的子类。是利用深度神经网络来解决特征表达的一种学习过程。深度学习(DL, Deep Learning)是机器学习一个新的研究方向,使用更加抽象的算法来模拟人的大脑的决策学习过程。它的最终目标是让机器能够像人一样具有分析学习能力。
机器学习与深度学习的比较
深度学习在搜索技术、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术等待领域取得了很多成果。我们平常把深度学习跟机器学习混在一块的,这也没什么不妥。
1、检验算法的成熟度
机器学习,通过调整得到的算法一般是准确,并完全可控的,可以比较快得到高成熟度的算法。
一般来说,深度学习算法需要大量时间进行训练。这是因为该算法包含有很多参数,因此训练它们需要比平时更长的时间。所以深度学习的算法成熟度,跟不确定性,需要更长时间。
2、解决问题的过程
机器学习算法遵循标准程序以解决问题。计算过程是可以解释的、按流程进行的。
深度学习的数据处理过程则是黑盒子方式,需要通过不停的调整训练。
两者的基础概念相通的地方很多
最终如果掌握了深度学习,肯定也掌握了机器学习。学习的过程不一定是要求把所有机器学习模型通通掌握,而是理解一些基本概念,比如监督学习(supervised learning),无监督学习(unsupervised leaning),训练(training),测试(testing),泛化(generalization)等。这些概念都是通用的。
大处着眼小处着手的学习原则
如果要学习深度学习,网上有很多深入浅出的文章跟公开课可以学习快速有个总体概念。
了解需要的预备知识。不能始终在门口徘徊。可以先一脚进去看看,里面有什么。
如果入门了,就要开始聚焦一个专业细分领域了。
因为涉及的概念太多,要迅速搜集信息,让自己尽快定位到需要专注学习的细分方向上。
把不太懂的地方都展开学习,就可以顺藤摸瓜。
总之,要聚焦问题,让自己的学习更加高效,有针对性。
【3】、来自网友【IT 人刘俊明】的最佳回答:
这是一个很多同学都比较关心的问题,我从学习和科研两个方面来说说个人建议。
首先,从学习的角度来说,深度学习目前的学习门槛并不算高,是完全可以直接学习的,而且很多平台也都提供了深度学习的实验场景支持,所以深度学习对于初学者也越来越友好了。
学习计划一定要与发展规划相契合,对于计算机专业的同学来说,如果未来想在深度学习领域取得一定的成果,还是建议从经典的机器学习算法开始学习,构建起一个更完整的知识体系,同时还应该重点学习一下统计学相关知识。
机器学习当前已经形成了一个非常庞大的知识体系,在学习经典机器学习算法的过程中不仅能够掌握机器学习的步骤,同时也会了解更多基础概念,了解什么是有监督、无监督、半监督、自监督、强化学习等基本范式,这对于后续的学习和科研都会产生比较重要的影响。
我目前就在给研一的同学上机器学习这门课,虽然计算机专业的同学往往都具有一定的机器学习基础,但是很多同学在学习这门课的过程中依然会遇到很多问题,很多同学并不能顺利完成自己的课程 paper。
从科研的角度来说,如果想系统学习深度学习,同时想在深度学习领域做出一些成果,可以分成三个学习阶段,第一个阶段是奠定机器学习基础,第二个阶段是确定自己的主攻方向,第三个阶段是搭建创新场景。
对于基础薄弱的同学来说,建议从经典的机器学习算法入手,同步学习一下统计学基础知识,接下来学习深度学习框架,至少要具备复现能力,再接下来就可以读经典文献了,可以从综述开始读,理清深度学习的发展脉络。
学习初期看视频会更容易一些,但是看视频的学习效率是相对比较低的,而且需要耗费大量的时间,所以在具备了一定的基础之后,还是建议开始读文献,争取完成一篇自己的综述。
深度学习到中后期对于交流和实践场景的要求是比较高的,所以并不建议在脱离科研场景的情况下来长时间自学,一方面大概率会走很多弯路,另一方面也很难找到自己的着力点持续深入。
目前我联合多所国内外知名大学的导师和互联网大厂的企业导师,共同搭建了一个技术论坛,在持续开展科研实践和成果分享等活动,其中就包括深度学习相关的内容,感兴趣的同学可以联系我申请参与。
最后,如果有人工智能领域相关的问题,或者需要我的帮助,都欢迎与我交流。
【4】、来自网友【宁教授网络空间元宇宙】的最佳回答:
首先介绍机器学习和深度学习的概念:
机器学习(Machine Learning,ML)是一门交叉学科,综合利用概率论知识,统计学知识,近似理论知识和复杂算法知识,模拟人类的思考解决问题的方式,达到充分利用计算机超强运算能力协助人类解决问题的目的。
深度学习(DeepLearning,DL)是利用深度神经网络来解决特征表达的一种学习过程。深度学习(DL, Deep Learning)是机器学习一个新的研究方向,使用更加抽象的算法来模拟人的大脑的决策学习过程。它的最终目标是让机器能够像人一样具有分析学习能力。
深度学习是机器学习的子集,学会了深度学习就肯定学会了机器学习,具体来说应该是要任务驱动,看需求,机器学习覆盖的领域较大,深度学习可以提高精度,建议从机器学习入门,这样可以更好的理解深度学习。
【5】、来自网友【一抹雨田】的最佳回答:
没有必要,但是深度学习确实会用到一些传统机器学习的一些知识,比如概率论、导数、微积分等,确切的说两者都需要一定的数学知识。本人研究过一段时间的 NLP(自然语言处理),发现目前生产领域应用最多的可能还是机器学习算法,深度学习在 nlp 上的应用效果包括精准度等不如图像和视频,但是也不可否认 NLP 这几年的发展也很迅猛,比如 Google 的 Transformer 模型以及基于它上面的 BERT、GPT2 模型都展现出了惊人的效果。想学习就从现在开始,可以先从深度学习入手,以后会碰到机器学习算法,再触类旁通也是可以的。
以上就是关于问题【学习深度学习是否要先学习机器学习?】的全部回答,希望能对大家有所帮助,内容收集于网络仅供参考,如要实行请慎重,任何后果与本站无关!