鑒于科學的快速發展和演變，了解使用哪些人工智能技術來推進項目可能具有挑戰性。本文概述了機器學習和深度學習之間的區別，以及如何確定何時應用它們。

定義：機器學習與深度學習

在機器學習和深度學習中，工程師都使用 MATLAB 等軟件工具，使計算機能夠通過從示例數據集中學習來識別數據的趨勢和特征。在機器學習的情況下，訓練數據用于構建模型，計算機可以使用該模型對測試數據以及最終的真實數據進行分類。傳統上，此工作流程中的一個重要步驟是開發特征——從原始數據派生的附加指標——這有助于模型更加準確。

深度學習是機器學習的一個子集，工程師和科學家跳過了創建特征的手動步驟。相反，數據被輸入深度學習算法，它會自動學習哪些特征對確定輸出最有用。

機器學習：人工智能的一個分支，工程師和科學家在其中手動選擇數據中的特征并訓練模型。常見的機器學習算法包括決策樹、支持向量機、神經網絡和集成方法。

深度學習： 機器學習的一個分支，松散地模仿人腦的神經通路，算法自動學習哪些特征是有用的。常見的深度學習算法包括卷積神經網絡 （CNN）、遞歸神經網絡和深度 Q 網絡。

項目簡介

機器學習通常用于涉及預測輸出或發現趨勢的項目。在這些示例中，使用有限的數據體來幫助機器學習模式，這些模式以后可以用來對新的輸入數據做出正確的判斷。機器學習中使用的常用算法包括線性回歸、決策樹、支持向量機 （SVM）、樸素貝葉斯、判別分析、神經網絡和集成方法。

深度學習更為復雜，通常用于涉及對圖像進行分類、識別圖像中的對象以及增強圖像和信號的項目。在這些情況下，可以應用深度神經網絡，因為它們旨在從空間和時間組織的數據（例如圖像和信號）中自動提取特征。深度學習中常用的算法包括卷積神經網絡 （CNN）、循環神經網絡 （RNN） 和強化學習（深度 Q 網絡）。

如果您需要更快的結果，機器學習算法可能更可取。它們的訓練速度更快，并且需要更少的計算能力。特征和觀察的數量將是影響訓練時間的關鍵因素。應用機器學習的工程師應該將大部分時間用于開發和評估功能以提高模型的準確性。

深度學習模型需要時間來訓練。預訓練網絡和公共數據集可以通過遷移學習縮短訓練時間，但有時實施起來可能很復雜。一般來說，深度學習算法可能需要一分鐘到幾周的時間來訓練，具體取決于你的硬件和計算能力。應用深度學習的工程師應該將大部分時間花在訓練模型和修改深度神經網絡的架構上。

選擇機器學習與深度學習的考慮因素

數據注意事項

了解可用數據集有助于確定機器學習還是深度學習應該應用于給定任務。

通常，當可用的結構化數據更有限時，會使用機器學習。大多數機器學習算法旨在將模型訓練為表格數據（組織成獨立的行和列）。如果數據是非表格的，可以應用機器學習，但它確實需要一些數據處理——即傳感器數據可以通過使用常用統計指標（均值、中值、標準差、偏度、峰度等），然后與傳統的機器學習技術一起使用。

深度學習通常需要大量的訓練數據來確保網絡很可能具有數千萬個參數并且不會過度擬合訓練數據。卷積神經網絡旨在對圖像數據進行操作，盡管它們也可以通過對信號執行時頻計算（例如頻譜圖）來用于傳感器數據。LSTM（長短期記憶）網絡等循環神經網絡旨在對信號和文本等順序數據進行操作。

可用硬件和部署

確定應該應用哪種人工智能方法也取決于可用的硬件。

機器學習算法需要較少的計算能力。例如，臺式機 CPU 足以訓練這些模型。

對于深度學習模型，由于更高的內存和計算要求，通常需要專門的硬件。專用硬件也是合適的，因為在深度神經網絡中執行的操作（例如卷積）非常適合 GPU 的并行架構。

深度學習模型需要大量的計算能力。如果 GPU 可用，或者是否有時間在 CPU 上運行訓練（這將花費更長的時間），則應考慮它們。

由于與獲取 GPU 相關的高成本，在集群或云上訓練深度學習模型已在深度學習中流行起來。此選項允許多個研究人員共享硬件。

部署到嵌入式 GPU 也很受歡迎，因為它可以在部署的環境中提供快速的推理速度。GPU Coder 支持從 MATLAB 中的深度學習模型生成代碼，該模型利用來自 Intel、NVIDIA和 Arm 的優化庫。借助適用于 NVIDIA GPU 的GPU Coder Support Package，您可以交叉編譯和部署生成的 CUDA 代碼，作為嵌入式 GPU 上的獨立應用程序。

不斷發展的科學指南

雖然總會有反復試驗，但上述內容可以幫助指導決策并加快機器學習和深度學習新手和科學家的整體設計過程。通過了解機器學習和深度學習之間的差異、了解項目的最終應用以及考慮數據和硬件可用性，設計團隊將更快地了解哪種方法最適合各自的項目。

審核編輯：郭婷