机器学习和神经网络的区别

机器学习是一种开发自学习算法的技术，可以分析数据、从中学习、识别模式并相应地做出决策。它是人工智能的一个子类别。机器学习使用各种算法。神经网络就是其中之一。这些概念广泛应用于医学、机器人、制造和农业等各个领域。

人工智能、反馈网络、前馈网络、机器学习、神经网络、监督学习、无监督学习

什么是机器学习

机器学习是人工智能的一个子集。机器学习算法分析数据，从中学习并做出决策。它使用统计方法并允许机器随着经验而改进。

图 1：机器学习

机器学习有两种主要类型：监督学习和无监督学习。在 监督学习, 有输入变量 (x) 和输出变量 (y)。通过将输入映射到输出 (y=f(x)) 来训练算法。当提供新的输入时，算法应该预测输出。线性回归、支持向量机和随机森林是监督学习的一些例子。

在 无监督学习，只有输入数据（x）。没有输出数据。在这种类型中，不需要训练算法。相反，它自己发现输入数据中的模式。一种主要的无监督学习算法是聚类。它识别相似的实例并将它们组合在一起以创建集群。通常，无监督学习比监督学习困难。简而言之，机器学习有助于开发可以使用数据学习和执行预测的系统。

什么是神经网络

神经网络的灵感来自生物神经元。在人脑中，有数百万个神经元，信息从一个神经元传递到另一个神经元。神经网络使用这个概念来更快地执行计算任务。

图 2：神经网络

有两种类型的神经网络，称为前馈和反馈。在 前馈网络，信息仅从输入传递到输出，它不包含反馈回路。在 反馈网络，信息可以传递到两个方向，并且它包含一个反馈路径。

前馈网络进一步分为单层网络和多层网络。在单层网络中，输入层连接到输出层。另一方面，多层网络在输入层和输出层之间有更多的层，称为隐藏层。

神经网络包含节点。这些节点类似于大脑中的神经元。此外，网络中的连接具有特定的权重。当节点的输入为 x1, x2, x3… 并且对应的权重为 w1, w2, w3,… 时，净输入 (y) 类似于以下内容。

y = x1。 w1 + x2。 w2+x3.w3+….

在对网络输入应用线性或 sigmoid 等激活函数后，它提供如下输出。

Y=F(y)

然后，评估输出。如果评估的输出与所需的输出不同，则权重会进行调整。重复此过程，直到获得所需的输出。这是神经网络的基本功能。