模式识别（pattern recognition）、机器学习（machine learning）和深度学习（deep learning）代表三种不同的思想流派。模式识别是最古老的（作为一个术语而言，可以说是很过时的）。机器学习是最基础的（当下初创公司和研究实验室的热点领域之一）。而深度学习是非常崭新和有影响力的前沿领域，我们甚至不会去思考后深度学习时代。
模式识别一开始主要是作为机器学习的代名词，模式学习正在日渐式微没落消亡；机器学习就像是一个真正的冠军一样持续昂首而上；深度学习是个崭新的和快速攀升的领域。
下面分别叙述。
1. 模式识别
要想知道什么叫做模式识别，那就要先了解什么叫做模式。模式指用来说明事物结构的主观理性形式，是从生产经验和生活经验中经过抽象和升华提炼出来的核心知识体系。模式识别指的是对表征事物或现象的各种形式的信息进行处理和分析，从而达到对事物或现象进行描述、辨认、分类和解释的目的。
2. 机器学习
不同于模式识别中人类主动去描述某些特征给机器，机器学习可以这样理解：机器从已知的经验数据（样本）中，通过某种特定的方法（算法），自己去寻找提炼（训练/学习）出一些规律（模型）；提炼出的规律就可以用来判断一些未知的事情（预测）。
也就是说，模式识别和机器学习的区别在于：前者喂给机器的是各种特征描述，从而让机器对未知的事物进行判断；后者喂给机器的是某一事物的海量样本，让机器通过样本来自己发现特征，最后去判断某些未知的事物。
在机器学习中，机器根据某一事物的海量样本，总结出这一类型事物所具有的普遍规律，总结过程所使用的技能就是我们常说的算法。当足够多的样本使得算法能够总结出一套行之有效的规律后，机器就可以用这些规律对真实世界中的事件做出决策和预测。
值得一提的是，在机器学习中，尽管电脑可以自行通过样本总结规律，但是依旧需要人工干预来为其提供规律的方向以及维度，例如色彩识别需要统计色彩的RGB或者CMYK值。
在机器学习领域有着许多不同的流派，不同流派间的算法与建构的模型也是千差万别。最常见的两种模型分别为符号主义所使用的决策树模型和联结主义所使用的神经网络模型，每种又分别有着相应的多种算法。
在人工智能领域，模式识别虽然已经日渐式微，但是它依旧有其独特的作用。例如在一些简单的色彩识别领域，参数维度相对单一，界定也相对明显，如果用大数据去建模计算，无疑是一种大才小用。闻道有先后，术业有专攻，不同的算法，可以在不同领域发挥各自的效用。
3. 深度学习
深度学习强调的是你使用的模型（例如深度卷积多层神经网络），模型中的参数通过从数据中学习获得。然而，深度学习也带来了一些其他需要考虑的问题。因为你面对的是一个高维的模型（即庞大的网络），所以你需要大量的数据（大数据）和强大的运算能力（图形处理器，GPU）才能优化这个模型。
在深度学习的模型中，受宠爱最多的就是被用在大规模图像识别任务中的卷积神经网络（Convolutional Neural Nets，CNN），简称ConvNets。卷积被广泛用于深度学习（尤其是计算机视觉应用中），而且它的架构往往都是非浅层的。
参考：
https://baijiahao.baidu.com/s?id=1597159183746168684&wfr=spider&for=pc
https://www.xianjichina.com/news/details_84224.html
支付宝扫一扫
微信扫一扫
