色控传媒

什麼是机器学习？

机器学习是人工智慧下的子領域，用以處理電腦演算法，那些演算法能透過訓練資料來自我改善，而無需進行顯式程式編寫。机器学习被公認為最有可能實現真正接近人類的人工智慧。?

机器学习演算法大致能分為三種：

• 监督式学习：您可以提供标籤，以及范例输入的预期输出，并让演算法学习规则，将输入对应输出。??
• 非监督式学习：您不会提供任何标籤，而让演算法找出自身结构来处理输入（比方说，发现资料中隐藏的模式）。
• 强化式学习：這種演算法可重覆和有特定目標的動態環境互動，例如贏得比賽或駕駛汽車。這種演算法透過反覆試驗和錯誤，逐漸找出解決問題的最佳解决方案。

我們將在本文中概述机器学习和深度學習，以及這兩個概念之間的區別。

什麼是深度学习？

深度學習是机器学习下的一個分支，運用人工神經網路來發展近似人類的智能。深度學習源自於人類神經元的概念，運用圖論將權重演算法排至節點和邊緣層中。深度學習演算法非常適合用來處理非結構化資料，如影像或語言。?

从技术层面来看，神经网路若要分类為「深度」，必须在感知器的输入和输出层之间包含隐藏层，此為神经网路的基本结构。这些层级被视為「隐藏层」，因為它们与外界没有任何连结。深度学习基础架构的范例包含：

• 前饋 (FF)：?資料在某一個方向從輸入層穿過隱藏層，然後到達輸出層，而所有節點都已連接，資料永遠不會向後循環穿到隱藏層。FF 可用於資料壓縮和基本影像處理。?
• 循環神經網路 (RNN)：?FF 網路的一種類型，它可為隱藏層增加時間延遲，以利在目前的迭代期間存取之前的資訊。這種回饋循環能接近記憶，並讓 RNN 適用於語言處理。?預測式文字就是一個很好的例子，它會根據您最常使用的字詞來量身制定出建議。?
• 卷積神經網路 (CNN)：?卷積是對兩個函數的數學運算，會產生第三個函數，來說明第一個函數如何由另一個函數修正。CNN 主要用於影像識別和分類，是 AI 的「眼睛」。CNN 中的隱藏層可作為數學篩選器，使用加權總和來標識像素的邊、顏色、對比度和其他元素。

机器学习 vs 深度學習

深度學習被視為机器学习的一個子集合。用來區分深度學習演算法和其他机器学习演算法的主要條件是人工神經網路的使用。讓神經網路有「深度」的主要特徵，是在構成基本感知器的輸入和輸出層之間的隱藏層。

深度学习可带来的优势

深度學習演算法非常適合用來處理非結構化資料，前提為您具備處理的能力。在非監督式和強化學習方面，深度學習相對於其他机器学习演算法更具優勢。人工智慧(AI)的最新進展，很大程度上歸功於深度學習神經網路的可行性提升，而這和更強大的處理和資料儲存能力有關。

色控传媒 如何推動机器学习應用程式

色控传媒? 可為 AI 世界提供獨一無二的運用及支援。深度學習神經網路需要龐大而快速的資料。Pure 的全快閃儲存解决方案，結合了 100% NVMe 快閃記憶效能和 AI 驅動的預測式分析，以實現 Modern Data Experience?。借助 Pure 之力，您可以：

• 将资料储存孤岛合併為单一的统一?资料中枢
• 利用?即时/纪录分析，更快取得深度资讯
• 運用 ?Pure1 Meta? 體驗未來 AI 推動的資料儲存管理
• 借助 ?AIRI? 推動您的 AI 解决方案，AIRI? 是一款 色控传媒 和 NVIDIA 提供的全端 AI-Ready 基礎架構解决方案
• 透過 ?FlashStack? 為 AI 和机器学习生命週期取得全端支援，FlashStack? 是 Pure 與 Cisco 合作開發的融合式基礎架構解决方案。