深度学习的再次兴起,其实是当前海量数据和计算能力提升的一次必然趋势,让我们可以尝试用机器的计算能力,加速专家经验到计算机处理能力的转换。目前来看机器学习比深度学习通用性更高,并不是所有问题都可以使用深度学习取代机器学习完美的解决,但是在一些数据量更大,模型场景更复杂的情况下,如图像处理,自然语言分析等等,深度学习可能会带来以前机器学习所没有的效果。
他们之间的共同点都是为了获得函数模型的问题,区别是函数模型获取的复杂度,复杂度决定了获取的方式是多样性的,由浅入深,就有了专家规则、简单的机器学习和深度学习。解决函数模型的复杂度也是递增的,比方说y=3x,我们可以很容易地通过几个样本推出系数3,就像我们小时候数学考试时根据规则填空一样,挖掘出来的规则基本不再变化,这样就很方便地用来做函数计算了,但是如果上升到金融领域,变量因素特别多,那么这个规则模型就不再那么容易获取了,此时就需要通过不断地学习完善模型,就像我们人类不断地学习获取经验,完善自己的认知系统,用于下一次决策过程,再通过这次的决策结果继续完善认知系统,循环往复。
收起