深度學習在最近兩年非常火爆，但深度學習能否取代其他機器學習算法？紐約大學研究生Ran Bi根據Quora上的一個討論總結了不同的觀點，CSDN編輯將其翻譯如下，并加上一些國內人工智能專家的觀點，供大家參考。
【編者按】深度學習在最近兩年非常火爆，但深度學習能否取代其他機器學習算法？紐約大學研究生Ran Bi根據Quora上的一個討論總結了不同的觀點，CSDN編輯將其翻譯如下，并加上一些國內人工智能專家的觀點，供大家參考。
深度學習迅速地成長起來了，并且以其瘋狂的實證結果著實令我們驚奇。Quora上有一個關于深度學習是否會讓其他的機器學習算法過時的討論。特別地，相關的算法，如反向傳播、HMM會像感知機一樣過時嗎？
這很難回答。Google DeepMind研發工程師Jack Rae對此有一個有趣的回答：
過去幾年的實證結果已經表明，當數據集足夠大時，深度學習提供了最好的預測能力。但這是真的嗎？我知道的一個例子，去年它并未達到對一個超過1億行數據集的預測能力。
他認為深度學習之所以會導致其他學習算法瀕臨滅絕，是因為深度學習具備非常卓越的預測能力，尤其是對大中型數據集的預測。當人們開始考慮使用深度學習作為解決一些問題如模式識別的第一選擇時，其他算法將過時。
另一方面，大多數人仍然相信深度學習不會取代所有其他模型和算法。斯坦福大學人工智能研究生Jacob Steinhart的觀點收到了最多的點贊。他寫道：
1、對于許多應用程序，使用更簡單的算法像邏輯回歸和支持向量機可以工作的很好,而使用深度神經網絡只會使事情變得復雜。
2、然而深度神經網絡（deep belief networks ）是最好的一個不可知域算法，如果你有領域知識的話，那么使用其他算法，如用于語音識別的HMM、用于圖形壓縮并識別的小波算法等，就可以表現更好。已經有一些工作把這些領域知識合并到神經網絡模型，但是這還是不足以完全取代所有其他的模型和算法。
以上是由Eren Golge創立的機器學習的時間表。
深度學習將成為主流，就像在20世紀早期初迅速提高的SVM（支持向量機）一樣。然而，在深度學習成為機器學習算法的第一選擇之前，深度學習的復雜性以及其大量數據的需求仍需解決。
作者簡介：Ran Bi，紐約大學的數據科學計劃的碩士研究生，已經完成了機器學習、深度學習和大數據分析領域的好幾個項目。
原文鏈接：Will Deep Learning take over Machine Learning, make other algorithms obsolete?（翻譯：王輝）
其他專家觀點：
深度學習已經在取代其他的機器學習算法，或者說兼容其他算法，并且最終將可能成為一個包容其他算法的機器學習框架。關鍵在于，深度學習的數學框架本質上和其他算法是一樣的，可以退化成傳統算法。因為深度學習是一個很靈活的框架，當處理小數據的時候，可以根據實際需求采用比較淺的網絡結構。
- 鄒永強，騰訊數據平臺部精準推薦中心深度學習方向負責人
我估計只有少數deep learning的粉絲會認可DL可以取代其他算法，另外也要看業務領域。
- 李成華，京東深度神經網絡（深度學習）實驗室首席科學家
目前，深度學習的應用場景主要在圖像、語音、視頻廣告等領域，但有些業務應用，如購物籃分析，還沒聽說用深度學習的。
還有個主要問題：深度學習門檻較高，硬件要求也高，相比傳統機器學習算法與Hadoop結合不友好。
但從準確率來說，隨著深度學習技術成熟，取代很多傳統機器學習算法是必然的。如分類、聚類、預測、推薦和搜索等，都有從傳統機器學習往深度學習轉的趨勢。
產業界，深度學習應用絕大多數都是有監督的機器學習，研究界更多的是研究無監督式的深度學習技術。 本質上，有監督的機器學習相對已經非常成熟，只需要更多、更好質量的數據，就能輕易的戰勝復雜的非監督深度學習。所以，我覺得，不會代替，得看具體的應用場景。有的時候，殺雞需要用牛刀，但有的場景，殺雞絕對不需要用牛刀。
我預測，每隔10~15年，神經網絡將經歷以下循環：他們將被遺忘10余年，正如人們感到興奮的大型凸優化問題，然后慢慢的以一個新的、性感的名稱（例如深度學習）回歸。我懷疑，只要Hinton、LeCun、Bengio和他們的門徒還在（他們很可能會以不斷增加），這就會發生！
（責任編輯：周建丁）
閱讀記錄：read twice