傳統(tǒng)機(jī)器學(xué)習(xí)算法：輸入——人工特征提取——權(quán)重學(xué)習(xí)——預(yù)測(cè)結(jié)果
深度學(xué)習(xí)算法：輸入——基礎(chǔ)特征提取——多層復(fù)雜特征提取——權(quán)重學(xué)習(xí)——預(yù)測(cè)結(jié)果
當(dāng)前，深度學(xué)習(xí)橫掃各個(gè)領(lǐng)域，越來越多人投入到AI和DL的浪潮中。我們不禁會(huì)問，是不是只要深度學(xué)習(xí)就夠了？答案是否定的。個(gè)人認(rèn)為，深度學(xué)習(xí)雖自動(dòng)提取特征，但該過程中，可能導(dǎo)致顯著特征不突出，從而造成泛而不優(yōu)的情況，因此在最終任務(wù)效果表現(xiàn)上，可能不及傳統(tǒng)機(jī)器學(xué)習(xí)方法。傳統(tǒng)機(jī)器學(xué)習(xí)方法，結(jié)合人的先驗(yàn)知識(shí)及直觀感受，設(shè)計(jì)選擇與任務(wù)強(qiáng)相關(guān)的若干特征，在實(shí)現(xiàn)效率上將大大超過深度學(xué)習(xí)。如果特征提取和選擇得當(dāng)，結(jié)果也將優(yōu)于深度學(xué)習(xí)。此外，深度學(xué)習(xí)依賴大數(shù)據(jù)、大模型和大計(jì)算，面臨標(biāo)注數(shù)據(jù)代價(jià)昂貴、不方便在移動(dòng)設(shè)備上使用、需要昂貴的物質(zhì)和時(shí)間成本等諸多挑戰(zhàn)，前路漫漫。
