极客教程PyTorch 机器学习 vs. 深度学习
在本章中，我们将讨论机器学习和深度学习概念之间的主要区别。
数据量
机器学习适用于不同数量的数据，并且主要用于小量数据。而深度学习在数据量快速增长时表现出高效性。下图描述了机器学习和深度学习在数据量方面的工作方式：
硬件依赖
深度学习算法需要依赖高端机器，与传统机器学习算法相反。深度学习算法执行大量的矩阵乘法运算，这需要巨大的硬件支持。
特征工程
特征工程是将领域知识应用于指定特征的过程，旨在降低数据复杂性并使学习算法能够识别出模式。
例如，传统机器学习模式侧重于像素和其他用于特征工程过程的属性。深度学习算法侧重于从数据中提取高级特征。这减少了为每个新问题开发新特征提取器的任务。
PyTorch 教程目录
- PyTorch 简介
- PyTorch 安装
- PyTorch 神经网络的数学基本构建模块
- PyTorch 神经网络基础
- PyTorch 机器学习的通用工作流程
- PyTorch 机器学习 vs. 深度学习
- PyTorch 实现第一个神经网络
- PyTorch 神经网络到功能块
- PyTorch 术语
- PyTorch 加载数据
- PyTorch 线性回归
- PyTorch 卷积神经网络
- PyTorch 循环神经网络
- PyTorch 数据集
- PyTorch 卷积神经网络介绍
- PyTorch 从头训练一个卷积神经网络
- PyTorch 卷积神经网络中的特征提取
- PyTorch 卷积神经网络的可视化
- PyTorch 序列处理与卷积
- PyTorch 词嵌入
- PyTorch 递归神经网络