你分得清楚機械學習 (Machine Learning) 與深度學習 (Deep Learning) 嗎？

你分得清楚機械學習 (Machine Learning) 與深度學習 Deep Learning 嗎？深度學習是一種高層式的資料處理方式，而特點是需要大量的資料進行。那麼到底需要幾多資料才可以做到 Deep Learning 呢？這一直在業界備受爭議。

近日 Google Brain 的負責人出來講 Deep Learning 的最低門檻。

根據 Google Brain 的負責人 Jeff Dean 之前公開談什麼企業需要用到深度學習，他指出資料量是一個關鍵：「如果你只有 10 個左右的案例，這是很難把資料用於 Deep Learning 。但如果你有 100,000 個紀錄或者事情需要分析，那些獨立的數據就足以用在深度學習上面了。」

Dean 作為 Google Brain 的領導人，他在這個領域的經驗相當豐富。自 1990 年代他就開始進行神經網絡的研究，而我們亦可以見到機械學習在影響不同的行業，因為不同的公司開發出簡單的機械學習框架，一切都變得越來越容易，這是不少公司需要認知的事情。

每日全世界的企業都在處理成千上萬的資料，巨頭企業越來越重視如何去處理資料，而機械學習的應用成為一個不少人討論的題目，但卻不是萬能的。Dean 也提到：「有很多工作系統並不適用於 Machine Learning ，如果你執意要為某些事情打造一套系統，你要從取得資料開始著手，並先考慮如何處理資料。」他的意思是 Machine Learning 並不是一個「萬能藥」，需要實際應用需要把整個資料的架構進行改變。

而 Google 也推出了自己的 Machine Learning 系統和 TPU 處理器，大家亦可以利用 Google Cloud  的虛擬機器實作自己的神經網絡，這個世代是比較簡單的。誰可以打造下一個 AlphaGo ，又或者下一個強大的圖像辨認系統由誰寫出來？我

引用來源：Venture Beat