一、「大數(shù)據(jù)」和「深度學習」有什么區(qū)別

簡單來說：

1）深度學習（Deep Learning）只是機器學習（Machine Learning）的一種類別，一個子領域。機器學習 > 深度學習

2）大數(shù)據(jù)（Big Data）不是具體的方法，甚至不算具體的研究學科，而只是對某一類問題，或需處理的數(shù)據(jù)的描述

具體來說：

1）機器學習（Machine Learning）是一個大的方向，里面包括了很多種 approach，比如 deep learning, GMM, SVM, HMM, dictionary learning, knn, Adaboosting...不同的方法會使用不同的模型，不同的假設，不同的解法。這些模型可以是線性，也可以是非線性的。他們可能是基于統(tǒng)計的，也可能是基于稀疏的....

不過他們的共同點是：都是 data-driven 的模型，都是學習一種更加 abstract 的方式來表達特定的數(shù)據(jù)，假設和模型都對特定數(shù)據(jù)廣泛適用。好處是，這種學習出來的表達方式可以幫助我們更好的理解和分析數(shù)據(jù)，挖掘數(shù)據(jù)隱藏的結構和關系。

Machine Learning 的任務也可以不同，可以是預測（prediction），分類（classification），聚類（clustering），識別（recognition），重建（reconstruction），約束（regularization），甚至降噪（denoising），超分辨（super-resolution），除馬賽克（Demosaicing）等等....

2）深度學習（Deep Learning）是機器學習的一個子類，一般特指學習高層數(shù)的網(wǎng)絡結構。這個結構中通常會結合線性和非線性的關系。

Deep Learning 也會分各種不同的模型，比如 CNN, RNN, DBN...他們的解法也會不同。

Deep Learning 目前非常流行，因為他們在圖像，視覺，語音等各種應用中表現(xiàn)出了很好的 empirical performance。并且利用 gpu 的并行運算，在模型相當復雜，數(shù)據(jù)特別大量的情況下，依然可以達到很理想的學習速度。

因為 Deep Learning 往往會構建多層數(shù)，多節(jié)點，多復雜度的模型，人們依然缺乏多里面學習的結構模型的理解。很多時候，Deep Learning 甚至會被認為擁有類似于人類神經(jīng)網(wǎng)絡的結構，并且這種類似性被當做 deep learning 居然更大 potential 的依據(jù)。但答主個人認為，其實這略有些牽強...聽起來更像是先有了這種 network 的結構，再找一個類似性。當然，這僅僅是個人觀點...（私貨私貨）

3）大數(shù)據(jù)（Big Data，我們也叫他逼格數(shù)據(jù)....）是對數(shù)據(jù)和問題的描述。通常被廣泛接受的定義是 3 個 V 上的“大”：Volume（數(shù)據(jù)量）, Velocity（數(shù)據(jù)速度）還有 variety（數(shù)據(jù)類別）。大數(shù)據(jù)問題（Big-data problem）可以指那種在這三個 V 上因為大而帶來的挑戰(zhàn)。

Volume 很好理解。一般也可以認為是 Large-scale data（其實學術上用這個更準確，只是我們出去吹逼的時候就都叫 big data 了...）。“大”可以是數(shù)據(jù)的維度，也可以是數(shù)據(jù)的 size。一般 claim 自己是 big-data 的算法會比較 scalable，復雜度上對這兩個不敏感。算法和系統(tǒng)上，人們喜歡選擇并行（Parallel），分布（distributed）等屬性的方法來增加 capability。

ITjob----采集

二、人工智能，機器學習，深度學習是什么關系

人工智能包含機器學習，

機器學習包含深度學習。深度學習是在機器學習的基礎上發(fā)展出來的。

感興趣可以搜搜我的視頻課程，用Python做深度學習，講的更詳細些。

三、數(shù)據(jù)挖掘，機器學習，深度學習這些概念有區(qū)別嗎

數(shù)據(jù)挖掘，機器學習，自然語言處理三者的關系：

1、數(shù)據(jù)挖掘、機器學習、自然語言處理三者之間既有交集也有不同，彼此之間既有聯(lián)系和互相運用，也有各自不同的領域和應用。

2、數(shù)據(jù)挖掘是一門交叉性很強的學科，可以用到機器學習算法以及傳統(tǒng)統(tǒng)計的方法，最終的目的是要從數(shù)據(jù)中挖掘到需要的知識，從而指導人們的活動。數(shù)據(jù)挖掘的重點在于應用，用何種算法并不是很重要，關鍵是能夠滿足實際應用背景。而機器學習則偏重于算法本身的設計。

3、機器學習通俗的說就是讓機器自己去學習然后通過學習到的知識來指導進一步的判斷。用一堆的樣本數(shù)據(jù)來讓計算機進行運算，樣本數(shù)據(jù)可以是有類標簽并設計懲罰函數(shù)，通過不斷的迭代，機器就學會了怎樣進行分類，使得懲罰最小。然后用學習到的分類規(guī)則進行預測等活動。

4、自然語言處理是計算機科學領域與人工智能領域中的一個重要方向。它研究能實現(xiàn)人與計算機之間用自然語言進行有效通信的各種理論和方法。自然語言處理是一門融語言學、計算機科學、數(shù)學于一體的科學。因此，這一領域的研究將涉及自然語言，即人們?nèi)粘Ｊ褂玫恼Z言，所以它與語言學的研究有著密切的聯(lián)系但又有重要的區(qū)別。自然語言處理并不是一般地研究自然語言，而在于研制能有效地實現(xiàn)自然語言通信的計算機系統(tǒng)，特別是其中的軟件系統(tǒng)。因而它是計算機科學的一部分。自然語言處理（NLP）是計算機科學，人工智能，語言學關注計算機和人類（自然）語言之間的相互作用的領域。