人工智能-機(jī)器學(xué)習(xí)-深度學(xué)習(xí)的區(qū)別與聯(lián)系

　　AI，機(jī)器學(xué)習(xí)，深度學(xué)習(xí)，這些術(shù)語使很多人感到困惑。如果您也是其中之一，那么人工智能-機(jī)器學(xué)習(xí)-深度學(xué)習(xí)的區(qū)別與聯(lián)系– AI vs Machine Learning vs Deep Learning絕對適合您。
 

　　人工智能，機(jī)器學(xué)習(xí)與深度學(xué)習(xí)
 

　　人工智能是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)應(yīng)運而生的廣闊領(lǐng)域。您還可以在圖中看到，即使深度學(xué)習(xí)也是機(jī)器學(xué)習(xí)的子集。因此，人工智能，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)這三者都是彼此的子集。因此，讓我們繼續(xù)前進(jìn)，了解它們之間到底有何不同。

 

　　從人工智能開始
 

　　人工智能一詞最早是在1956年創(chuàng)造的，但是為什么如今人工智能變得越來越流行呢?嗯，這是因為數(shù)據(jù)量，高級算法的巨大增加以及計算能力和存儲的改進(jìn)。
 

　　我們擁有的數(shù)據(jù)不足以預(yù)測準(zhǔn)確的結(jié)果。但是現(xiàn)在，數(shù)據(jù)量有了巨大的增長。統(tǒng)計數(shù)據(jù)表明，到2020年，大數(shù)據(jù)的累積量將從4.4 ZB增加到大約44 ZB或44萬億GB GB。
 

　　現(xiàn)在，我們甚至擁有可以處理如此大量數(shù)據(jù)的更高級算法，高端計算能力和存儲。因此，預(yù)計未來12個月將有70%的企業(yè)實施AI，高于2016年的40%和2017年的51%。
 

　　什么是人工智能?
 

　　人工智能是一種技術(shù)，它可以通過復(fù)制機(jī)器的行為和性質(zhì)使機(jī)器像人類一樣工作。
 

　　人工智能使機(jī)器有可能從他們的經(jīng)驗中學(xué)習(xí)。這些機(jī)器根據(jù)新的輸入來調(diào)整其響應(yīng)，從而通過處理大量數(shù)據(jù)并識別其中的模式來執(zhí)行類似人類的任務(wù)。
 

　　AI用類比解釋：建造教堂
 

　　您可以考慮建立人工智能就像建立教堂。

 

　　最初的教堂花了幾代人的時間才能完成，所以在它上面工作的大多數(shù)工人從未見過最終的結(jié)果。從事此工作的人以自己的技藝為傲，他們建造了磚塊和鑿石，這些磚塊將被安置在大建筑物中。因此，作為AI研究人員，我們應(yīng)該將自己視為謙虛的制磚人，他們的工作是研究如何構(gòu)建有一天某處某個地方將集成到智能系統(tǒng)中的組件(例如解析器，規(guī)劃器，學(xué)習(xí)算法等)。
 

　　人工智能在我們?nèi)粘Ｉ钪械囊恍├影ˋpple的Siri，下象棋的計算機(jī)，特斯拉的無人駕駛汽車等等。這些示例基于深度學(xué)習(xí)和自然語言處理。
 

　　好吧，這是關(guān)于什么是AI及其如何獲得炒作。因此，繼續(xù)前進(jìn)，讓我們討論一下機(jī)器學(xué)習(xí)，看看它是什么，以及為什么引入它。
 

　　機(jī)器學(xué)習(xí)起源于80年代末和90年代初。 但是，使機(jī)器學(xué)習(xí)誕生的人們所面臨的問題是什么?
 

　　統(tǒng)計數(shù)據(jù)：如何有效地訓(xùn)練大型復(fù)雜模型?
 

　　計算機(jī)科學(xué)與人工智能：如何訓(xùn)練更強(qiáng)大的AI系統(tǒng)版本?
 

　　神經(jīng)科學(xué)：如何設(shè)計大腦的運作模型?
 

　　什么是機(jī)器學(xué)習(xí)?
 

　　機(jī)器學(xué)習(xí)是人工智能的子集。它允許機(jī)器根據(jù)其經(jīng)驗(數(shù)據(jù))學(xué)習(xí)并做出預(yù)測
 

　　通過示例了解機(jī)器學(xué)習(xí)
 

　　假設(shè)您要創(chuàng)建一個系統(tǒng)，該系統(tǒng)可以根據(jù)其身高預(yù)測一個人的預(yù)期體重。您要做的第一件事是收集數(shù)據(jù)。讓我們說這是您的數(shù)據(jù)的樣子：

 

　　圖上的每個點代表一個數(shù)據(jù)點。首先，我們可以畫一條簡單的線來根據(jù)身高預(yù)測體重。例如，簡單的一行：
 

　　W = H – 100
 

　　W是重量(公斤)，H是高度(厘米)
 

　　這條線可以幫助我們做出預(yù)測。我們的主要目標(biāo)是減少估計值和實際值之間的差異。因此，為了實現(xiàn)這一目標(biāo)，我們嘗試?yán)L制一條適合所有這些不同點的直線，并將誤差最小化并使其盡可能小。減少誤差或?qū)嶋H值與估計值之間的差會提高性能。
 

　　此外，我們收集的數(shù)據(jù)點越多，我們的模型就會變得越好。我們還可以通過添加更多變量(例如性別)并為其創(chuàng)建不同的預(yù)測線來改進(jìn)模型。一旦創(chuàng)建了直線，那么將來，如果將新數(shù)據(jù)(例如人的身高)輸入模型，它將很容易為您預(yù)測數(shù)據(jù)并告訴他預(yù)測的體重。
 

　　希望您對機(jī)器學(xué)習(xí)有一個清晰的了解。因此，繼續(xù)前進(jìn)，讓我們學(xué)習(xí)深度學(xué)習(xí)。
 

　　什么是深度學(xué)習(xí)?
 

　　深度學(xué)習(xí)是一種特殊的機(jī)器學(xué)習(xí)，通過學(xué)習(xí)將世界表示為概念或抽象的嵌套層次結(jié)構(gòu)，可以實現(xiàn)強(qiáng)大的功能和靈活性。
 

　　您可以將深度學(xué)習(xí)模型視為火箭發(fā)動機(jī)，其燃料是我們提供給這些算法的大量數(shù)據(jù)。
 

　　深度學(xué)習(xí)的概念并不新鮮。但是最近它的炒作增加了，深度學(xué)習(xí)越來越受到關(guān)注。這個領(lǐng)域是一種特殊的機(jī)器學(xué)習(xí)，它受我們稱為人工神經(jīng)網(wǎng)絡(luò)的腦細(xì)胞功能的啟發(fā)。它只是簡單地獲取所有人工神經(jīng)元之間的數(shù)據(jù)連接，并根據(jù)數(shù)據(jù)模式進(jìn)行調(diào)整。如果數(shù)據(jù)量很大，則需要更多的神經(jīng)元。它自動在多個抽象級別進(jìn)行學(xué)習(xí)，從而使系統(tǒng)無需依賴任何特定算法即可學(xué)習(xí)復(fù)雜的函數(shù)映射。
 

　　通過類比了解深度學(xué)習(xí)
 

　　讓我從一個簡單的示例開始，該示例解釋概念上的工作方式。
 

　　范例1：
 

　　讓我們嘗試了解您如何識別其他形狀的正方形。

 

　　第一件事是檢查是否有4條線與一個圖形關(guān)聯(lián)(簡單概念正確!)。如果是，我們將進(jìn)一步檢查它們是否已連接和閉合，如果是，我們將再次檢查它是否垂直并且其所有側(cè)面都相等 (正確!)。好吧，這不過是概念的嵌套層次結(jié)構(gòu)。
 

　　我們所做的是，在這種情況下，我們承擔(dān)了識別正方形的復(fù)雜任務(wù)，并將其分解為更簡單的任務(wù)?，F(xiàn)在，該深度學(xué)習(xí)也可以這樣做，但規(guī)模更大。
 

　　范例2：
 

　　讓我們以識別動物的機(jī)器為例。機(jī)器的任務(wù)是識別給定的圖像是貓還是狗。

 

　　如果要求我們使用機(jī)器學(xué)習(xí)的概念來解決同一問題該怎么辦?首先，我們將定義特征，例如檢查動物是否有胡須，或檢查動物是否有尖耳朵或尾巴是否筆直或彎曲。
 

　　簡而言之，我們將定義面部特征，并讓系統(tǒng)識別哪些特征在對特定動物進(jìn)行分類中更重要。
 

　　現(xiàn)在談到深度學(xué)習(xí)。這將向前邁出了一步。與我們必須手動提供功能的機(jī)器學(xué)習(xí)相比，深度學(xué)習(xí)會自動找出對于分類很重要的功能。
 

　　到現(xiàn)在為止，AI與機(jī)器學(xué)習(xí)與深度學(xué)習(xí)已經(jīng)使您清楚地認(rèn)識到AI是一幅更大的圖景，而機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是它的子部分，因此總結(jié)一下，我會說這是理解兩者之間差異的最簡單方法機(jī)器學(xué)習(xí)和深度學(xué)習(xí)就是要知道，深度學(xué)習(xí)就是機(jī)器學(xué)習(xí)。更具體地說，這是機(jī)器學(xué)習(xí)的下一個發(fā)展。