大数据环境下的模型和特征(深度学习Vs传统的机器学习)
2015-05-03 21:16
483 查看
http://pan.baidu.com/share/link?shareid=338819&uk=2267174042
传统的机器学习:
1、主要靠人工经验抽取样本特征,而模型主要是为了负责分类或预测。
2、模型不出错,特征的好坏决定了整个系统的性能瓶颈。
3、开发团队的主要精力是挖掘与问题最相关的特征,这种人工设计的特征,一般可扩展性不强(挖掘特征数量有限;主要靠经验)。
大数据环境下的深度学习的实质:
1、通过构建很多隐含层的机器学习模型和海量的训练数据,来让模型自动学习最有效的特征!!!
2、模型是挖掘特征的手段,除了分类和预测,自动学习特征也是模型的主要任务。(即特征挖掘也实现了自动化)。
3、本质上,深度学习是通过很多隐含层,将样本在原空间的特征映射为新空间的特征(但又不同于传统的人工设定的降维/增维方法),进而使分类和预测更加准确。
4、这种利用大数据来自动的学习特征,要比人工构造特征,更能有效的表示数据丰富的内在信息。
总结:
1、在大数据时代(尤其针对大公司),深度学习将更加有效。
2、传统的简单模型,适合于做理论研究。
传统的机器学习:
1、主要靠人工经验抽取样本特征,而模型主要是为了负责分类或预测。
2、模型不出错,特征的好坏决定了整个系统的性能瓶颈。
3、开发团队的主要精力是挖掘与问题最相关的特征,这种人工设计的特征,一般可扩展性不强(挖掘特征数量有限;主要靠经验)。
大数据环境下的深度学习的实质:
1、通过构建很多隐含层的机器学习模型和海量的训练数据,来让模型自动学习最有效的特征!!!
2、模型是挖掘特征的手段,除了分类和预测,自动学习特征也是模型的主要任务。(即特征挖掘也实现了自动化)。
3、本质上,深度学习是通过很多隐含层,将样本在原空间的特征映射为新空间的特征(但又不同于传统的人工设定的降维/增维方法),进而使分类和预测更加准确。
4、这种利用大数据来自动的学习特征,要比人工构造特征,更能有效的表示数据丰富的内在信息。
总结:
1、在大数据时代(尤其针对大公司),深度学习将更加有效。
2、传统的简单模型,适合于做理论研究。
相关文章推荐
- 深度学习 VS 传统的机器学习
- 机器学习如何选择模型 & 机器学习与数据挖掘区别 & 深度学习科普
- 机器学习如何选择模型 & 机器学习与数据挖掘区别 & 深度学习科普
- 机器学习 VS. 深度学习
- 【转】整理:深度学习 vs 机器学习 vs 模式识别
- 大数据,人工智能,深度学习,机器学习课程收集
- 图像分类 | 深度学习PK传统机器学习
- 深度学习Caffe实战笔记(21)Windows平台 Faster-RCNN 训练好的模型测试数据
- 数据科学速查表大全(机器学习和深度学习工程师用)
- 个人喜欢的关于模式识别、机器学习、推荐系统、图像特征、深度学习、数值计算、目标跟踪等方面个人主页及博客
- 【深度学习】笔记13 win10+cuda7.5+caffe+vs2013环境搭建(GPU版本)
- 【深度学习】笔记14 windows下caffe的python接口的配置(数据的可视化环境)
- 整理:深度学习 vs 机器学习 vs 模式识别
- 【腾讯TMQ】米少熬好粥——数据有限时怎样调优深度学习模型
- 数据分析、数据挖掘、机器学习、神经网络、深度学习和人工智能概念区别(入门级别)
- 机器学习、大数据、深度学习、数据挖掘、统计、决策和风险分析、概率和模糊逻辑的常见问题解答
- 公开课机器学习笔记(17)学习理论二 VC维、ERM总结、模型选择、特征选择
- 干货整理:深度学习 vs 机器学习 vs 模式识别
- 整理:深度学习 vs 机器学习 vs 模式识别
- 不同机器学习任务深度学习模型的选择