深度学习在最近两年非常火爆，但深度学习能否取代其他机器学习算法？纽约大学研究生Ran Bi根据Quora上的一个讨论总结了不同的观点，CSDN编辑将其翻译如下，并加上一些国内人工智能专家的观点，供大家参考。
深度学习迅速地成长起来了，并且以其疯狂的实证结果着实令我们惊奇。Quora上有一个关于深度学习是否会让其他的机器学习算法过时的讨论。特别地，相关的算法，如反向传播、HMM会像感知机一样过时吗？
这很难回答。Google DeepMind研发工程师Jack Rae对此有一个有趣的回答：
过去几年的实证结果已经表明，当数据集足够大时，深度学习提供了最好的预测能力。但这是真的吗？我知道的一个例子，去年它并未达到对一个超过1亿行数据集的预测能力。
他认为深度学习之所以会导致其他学习算法濒临灭绝，是因为深度学习具备非常卓越的预测能力，尤其是对大中型数据集的预测。当人们开始考虑使用深度学习作为解决一些问题如模式识别的第一选择时，其他算法将过时。
另一方面，大多数人仍然相信深度学习不会取代所有其他模型和算法。斯坦福大学人工智能研究生Jacob Steinhart的观点收到了最多的点赞。他写道：
1、对于许多应用程序，使用更简单的算法像逻辑回归和支持向量机可以工作的很好，而使用深度神经网络只会使事情变得复杂。
2、然而深度神经网络（deep belief networks ）是最好的一个不可知域算法，如果你有领域知识的话，那么使用其他算法，如用于语音识别的HMM、用于图形压缩并识别的小波算法等，就可以表现更好。已经有一些工作把这些领域知识合并到神经网络模型，但是这还是不足以完全取代所有其他的模型和算法。
以上是由Eren Golge创立的机器学习的时间表。
深度学习将成为主流，就像在20世纪早期初迅速提高的SVM（支持向量机）一样。然而，在深度学习成为机器学习算法的第一选择之前，深度学习的复杂性以及其大量数据的需求仍需解决。
作者简介：Ran Bi，纽约大学的数据科学计划的硕士研究生，已经完成了机器学习、深度学习和大数据分析领域的好几个项目。
