1樓：
乙個"deep leaning", 另兩個shallow learning。 svm和boosting都相當於只有一層hidden layer的ann。general來說，三種model上手度容易度：
boosting>svm=ann, bias：ann
2樓：
先說結論：
通常情況下，深層模型（Deep Learning）比淺層模型會有更好的表達能力，ensemble技術（adaboost）比單一分類器會有更小的分類錯誤。
在《學習OpenCV》講述Adaboost演算法的章節中，稱通常情況下，Adaboost和Random Forest往往會比其他模型表現得更好。
其實上，Adaboost與ANN、SVM存在一些本質的不同，它是一種ensemble思想下的模型，是boost的經典實現。經典的Adaboost是以決策樹作為弱分類器，以弱分類器的整合來構建強分類器。它強調弱模型間的組合來實現強分類能力。
而SVM模型是一種複雜模型。儘管這個模型可以被簡單描述為乙個有約束的最優化問題，即尋找可以區分類別的擁有最大分類間隔的分介面。但它的實現相當複雜。
二次規劃問題，引入拉普拉斯對偶後，以核函式來應對非線性問題。
Deep Learning則是一類模型的統稱，也是目前最熱的研究點（計算機視覺和語音識別領域）。區別於通常的淺層模型，它強調模型的深度。受貓的視覺系統研究的啟發，研究者發現隨著模型深度的增加，模型往往可以獲得更好的表達能力，當然與此相伴的是更大的計算量。
它的經典實現包括卷積神經網路（CNN），深度置信網路（DBN），層疊降噪自動編碼機（SdA）等等。
於此同時，由於深度模型的強表達能力，我們在進行通常的機器學習任務的時候，將可以避免複雜而又需要專業知識的特徵工程。
觀點如有錯誤，請指正。
3樓：潘屹峰
對於特定應用方向來說，沒有最好的演算法，只有最適合的演算法。SVM，Adaboost，ANN（deap learning）都是被學術界驗證過的方法。尤其後兩者被大量應用於工業界的實際產品中，並取得很好的效果。
SVM最近有些沉寂，主要是因為它的非線性模型優化過程對計算和儲存效能要求太高，而線性模型效能又不夠好。
CNN（卷積神經網路） RNN（迴圈神經網路） DNN（深度神經網路）的內部網路結構有什麼區別？
可可噠 寫一點個人理解吧。CNN 它是以 層 layer 為單位的，每一層的結構可以完全不一樣。常見的CNN層有卷積層 池化層 softmax層 池化層 這些基礎層之上還有諸如ResNet的遠連線，GoogLeNet的Inception層，用來實現一些特定的功能 深層網路 多尺度特徵提取等 RNN ...
為什麼傳統人工神經網路在多層網路裡面表現很差？目前火爆的深度學習如何克服這個問題？
鵪鶉蛋 以下都是個人見解 抽象的來說，例如人腦的淺層思考和深層思考，深層思考需要激發更多的神經，訊號傳輸了經過更多的synaptic junction 突觸 將物體抽象的特徵一層層抽象提取和訓練後，我們的得到的反饋資訊細節化，從而反饋結果更加準確。何謂deep，簡單地想，當然多的就是multilay...
學習人工智慧可以繞開神經網路嗎？
蒜葵 Artificial Intelligence Machine Learning Neural Network 神經網路只是乙個酷炫的子集，知道很好，跟隨潮流，完全不懂也一點問題沒有，只要自己的領域紮實。 Sciarter 先給出建議 可以不深究但是需要了解作為工具使用。我們需要知道神經網路不...