深度学习可以和传统算法搭配嘛

㈠ 深度学习和传统算法区别

摘要 您好，深度学习算法在很大程度上依赖于高端机器，这与传统的机器学习算法相反，后者可以在低端机器上运行。 这是因为深度学习算法的要求包括GPU，因为GPU是其工作中不可或缺的组成部分。 深度学习算法本质上是做大量的矩阵乘法运算，而使用GPU可以有效的优化这些操作，而这就是使用GPU的目的。

㈡ 深度学习和传统机器学习相比有哪些优势

一、数据依赖性

深度学习与传统的机器学习最主要的区别在于随着数据规模的增加其性能也不断增长。当数据很少时，深度学习算法的性能并不好。这是因为深度学习算法需要大量的数据来完美地理解它。

三、硬件依赖

深度学习算法需要进行大量的矩阵运算，GPU 主要用来高效优化矩阵运算，所以 GPU 是深度学习正常工作的必须硬件。与传统机器学习算法相比，深度学习更依赖安装 GPU 的高端机器。

二、特征处理

特征处理是将领域知识放入特征提取器里面来减少数据的复杂度并生成使学习算法工作的更好的模式的过程。特征处理过程很耗时而且需要专业知识。

深度学习尝试从数据中直接获取高等级的特征，这是深度学习与传统机器学习算法的主要的不同。基于此，深度学习削减了对每一个问题设计特征提取器的工作。

例如，卷积神经网络尝试在前边的层学习低等级的特征，然后学习部分人脸，然后是高级的人脸的描述。更多信息可以阅读神经网络机器在深度学习里面的有趣应用。

当应用传统机器学习算法解决问题的时候，传统机器学习通常会将问题分解为多个子问题并逐个子问题解决最后结合所有子问题的结果获得最终结果。相反，深度学习提倡直接的端到端的解决问题。

㈢ 深度学习做人脸识别，和传统方式比有啥好处

传统方法中特征提取主要依赖人工设计的提取器，需要有专业知识及复杂的调参过程，同时每个方法都是针对具体应用，泛化能力及鲁棒性较差。

深度学习主要是数据驱动进行特征提取，根据大量样本的学习能够得到深层的、数据集特定的特征表示，其对数据集的表达更高效和准确，所提取的抽象特征鲁棒性更强，泛化能力更好，并且可以是端到端的。缺点是样本集影响较大，算力要求较高。

㈣ 为什么深度学习大势超过传统机器学习

人工智能风靡一时！突然之间，每一个人，无论是否理解，都在谈论它。人工智能的发展趋势似乎势不可挡，但它真正归结为两个非常流行的概念：机器学习和深度学习。但最近，深度学习越来越受欢迎，因为它在用大量数据训练时的准确性方面至高无上。

通常，由于大量的参数，深度学习算法需要很长时间进行训练。最受欢迎的ResNet算法需要大约两周的时间才能完全从头开始训练。传统的机器学习算法需要几秒到几个小时来训练，这个场景在测试阶段完全相反。在测试时，深度学习算法花费的时间少得多。然而，如果将其与最近邻算法（一种机器学习算法）进行比较，则测试时间会随着数据大小的增加而增加。虽然这不适用于所有机器学习算法，但其中一些算法的测试时间也很短。

可解释性是为什么许多行业在深度学习中使用其他机器学习技术的主要问题。我们举个例子吧，假设我们使用深度学习来计算文档的相关性分数。它提供的性能非常好，接近人类的表现。但是有一个问题，它没有揭示为什么它给出了这个分数。事实上，你可以在数学上找出深层神经网络的哪些节点被激活，但我们不知道神经元应该建模什么，以及这些神经元层共同做了什么。所以我们不能解释结果。这不是机器学习算法，如决策树，逻辑回归等。

何时使用深度学习或不使用？

1.深度学习如果数据量很大，则执行其他技术。但由于数据量较小，传统的机器学习算法更为可取。

2.深度学习技术需要有高端基础设施来在合理的时间内进行培训。

3.当对特征内省缺乏领域理解时，深度学习技术超越了其他领域，因为你不必担心特征工程。

4.深度学习在图像分类、自然语言处理和语音识别等复杂问题方面真正发挥出色。

㈤ 从事机器学习和深度学习对传统算法的要求高么

个人认为 要求不高
机器学习和深度学习更加倾向于对模型参数进行更新的过程

㈥ 在深度学习如火如荼的今天传统机器视觉/模式识别的方法还有搞头吗

有的，深度学习适合复杂的模式识别 ，需要大量的样本以及高昂的机器才能运作，对于实际工业其实这个阶段还不是太大（成本问题），而传统的模式识别方法可以处理很多一般性的问题以及非常廉价，从原理上来讲 Deep Learning并没有实质性的算法突破，只是这几年计算机技术高度发达 使得更多层的网络运作有了良好的硬件平台 才一时热起来。

㈦ 与传统机器学习相比,深度学习有哪些优点

深度学习的优点就是可以达到传统学习算法所达不到的高度

㈧ 学习机器学习深度学习之后，还需要掌握传统算法和数据结构吗

必须的，不忘本嘛…

㈨ 关于深度学习的本质和优缺点大家说下自己的理解

关于深度学习的本质和优缺点大家说下自己的理解？

本质应该是基于一套智能理论框架的，而这套理论框架和人脑应该是没有太大差别。深度学习的优缺点分开去申诉，一个东西的正反两面性子很正常。以下先列表优点：高效率。 如果用传统算法去评估一个棋局的优劣，可能计算量超大，还不一定准确。用训练好的神经网络去评估，就是一眨眼的事，它节省了大量的计算，使得本来不可行的事情变为可行。

总结:深度学习本身是不断获得更多数据的过程，也是不断建立理论框架，并且准确率很高。