深度学习和机器学习都提供了训练模型和分类数据的方法。这段视频比较了两者，并提供了一些方法来帮助你决定使用哪一种。让我们从猫对狗的经典例子开始讨论。现在，在这张照片里，你看到的是猫还是狗?你怎么能回答这个问题?随着时间的推移，你可能见过很多猫和狗，所以你已经学会了如何识别它们。这本质上就是我们试图让计算机做的事情:从例子中学习和识别。
还要记住，有时甚至人类也会识别错误，所以我们可能会期望计算机犯类似的错误。为了让计算机使用标准的机器学习方法进行分类，我们需要手动选择图像的相关特征，如边缘或角落，以训练机器学习模型。然后，该模型在分析和分类新对象时引用这些特征。
这是一个物体识别的例子。然而，这些技术也可以用于场景识别和物体检测。在解决机器学习问题时，您需要遵循特定的工作流程。你从一张图像开始，然后从中提取相关特征。然后创建一个描述或预测对象的模型。另一方面，通过深度学习，你可以跳过从图像中提取特征的手动步骤。相反，你可以直接将图像输入深度学习算法，然后由算法预测物体。
所以深度学习是机器学习的一个子类。它直接处理图像，通常更复杂。在接下来的视频中，当我提到机器学习时，我指的是不属于深度学习范畴的任何东西。在机器学习和深度学习之间进行选择时，你应该问问自己是否拥有高性能的GPU和大量的标记数据。
如果你没有这些东西，你会更幸运地使用机器学习而不是深度学习。这是因为深度学习通常更复杂，所以你至少需要几千张图像才能得到可靠的结果。你还需要一个高性能的GPU，这样模型就可以花更少的时间分析这些图像。如果你选择机器学习，你可以选择在许多不同的分类器上训练你的模型。您可能还知道提取哪些特征将产生最佳结果。
此外，通过机器学习，您可以灵活地选择方法的组合。使用不同的分类器和特征来查看哪种排列最适合您的数据。您可以使用MATLAB快速地尝试这些组合。还要记住，如果你想做人脸检测之类的事情，你可以使用开箱即用的MATLAB示例。
正如我们之前提到的，机器学习比深度学习需要更少的数据，而且你也可以更快地得到一个训练过的模型。然而，深度学习最近变得非常流行，因为它是高度准确的。你不需要理解哪些特征是对象的最佳表现。这些都是为你学习的。但在深度学习模型中，你需要大量的数据，这意味着模型可能需要很长时间来训练。
您还需要对许多参数负责，而且由于模型是一个黑盒，如果某些东西不能正常工作，可能就很难调试。
所以，总的来说，机器学习和深度学习之间的选择取决于你的数据和你要解决的问题。MATLAB可以帮助您使用这两种技术，可以单独使用，也可以组合使用。想了解更多，请访问mathworks.com/deep-learning。
