人工智能與機器學(xué)習(xí)與深度學(xué)習(xí)有什么區(qū)別

　　在過去的幾年中，人工智能仍然是最熱門的話題之一。為了有效地使用它，您需要了解其組成部分。
 

　　實際上，下10,000個初創(chuàng)公司的商業(yè)計劃很容易預(yù)測：以X并添加AI。通過添加在線智能來查找可以做得更好的東西
 

　　在過去的幾年中，人工智能仍然是最熱門的話題之一。最好的頭腦參加AI研究，最大的公司為發(fā)展該領(lǐng)域的能力分配天文數(shù)字，而AI初創(chuàng)公司每年收集數(shù)十億美元的投資。
 

　　如果您從事業(yè)務(wù)流程改進或為您的業(yè)務(wù)尋找新的想法，那么您很可能會遇到AI。為了有效地使用它，您需要了解其組成部分。
 

　　人工智能
 

　　讓我們找出人工智能到底是什么。使人類通常執(zhí)行的智力任務(wù)自動化的努力。因此，人工智能是一個涵蓋機器學(xué)習(xí)和深度學(xué)習(xí)的通用領(lǐng)域，但還包括許多不涉及任何學(xué)習(xí)的方法。
 

　　現(xiàn)代意義上的人工智能歷史始于1950年代，當(dāng)時艾倫·圖靈(Alan Turing)和達特茅斯(Dartmouth)工作坊的作品匯聚了該領(lǐng)域的第一批愛好者，并在其中闡述了人工智能科學(xué)的基本原理。此外，為了成為當(dāng)今世界科學(xué)的關(guān)鍵領(lǐng)域之一，該行業(yè)經(jīng)歷了利益激增和隨后的衰退(所謂的“人工智能冬天”)的幾個周期。
 

　　值得一提的是強人工智能和弱人工智能的假設(shè)。強大的AI可以獨立思考和意識到自己。弱小的AI被剝奪了這種能力，僅執(zhí)行一定范圍的任務(wù)(下棋，識別圖像中的貓咪或 繪制圖片，費用為432,500美元)。現(xiàn)有的所有AI都很薄弱，不用擔(dān)心。
 

　　如今，很難想象沒有使用AI的任何類型的活動。無論您是開車，自拍照，在網(wǎng)上商店自己買運動鞋還是計劃假期，幾乎每個地方都有小型，薄弱但已經(jīng)非常有用的人工智能為您提供幫助。
 

　　機器學(xué)習(xí)
 

　　學(xué)習(xí)的能力是智力的關(guān)鍵特征之一(人為而非真正的人為)。對于AI而言，一系列機器學(xué)習(xí)模型對此功能負(fù)責(zé)。它們的本質(zhì)很簡單：與經(jīng)典算法不同，經(jīng)典算法是一組清晰的指令，這些指令將輸入的數(shù)據(jù)轉(zhuǎn)換為結(jié)果，而基于數(shù)據(jù)示例和相應(yīng)結(jié)果的機器學(xué)習(xí)會發(fā)現(xiàn)數(shù)據(jù)中的模式，并產(chǎn)生將任意數(shù)據(jù)轉(zhuǎn)換為所需結(jié)果的算法。
 

　　機器學(xué)習(xí)主要分為三類：
 

　　1)監(jiān)督學(xué)習(xí) -根據(jù)數(shù)據(jù)示例對系統(tǒng)進行訓(xùn)練，每個示例均具有先前已知的結(jié)果。機器學(xué)習(xí)有兩個最受歡迎的任務(wù)：回歸和分類任務(wù)。回歸是對連續(xù)結(jié)果的預(yù)測，例如房屋價格或制造業(yè)排放水平。分類-類別(類)預(yù)測，例如，電子郵件是否是垃圾郵件，書是偵探小說還是百科全書。

　　2)無監(jiān)督學(xué)習(xí) -系統(tǒng)在數(shù)據(jù)中查找內(nèi)部關(guān)系和模式。在這種情況下，每個示例的結(jié)果都是未知的。

　　3)強化學(xué)習(xí) 是一種方法，在該方法中，系統(tǒng)將針對正確的行為給予獎勵，而對錯誤的行為予以懲罰。結(jié)果，系統(tǒng)學(xué)會開發(fā)一種算法，在該算法中，它獲得最高的報酬和最低的懲罰。
 

　　理想的機器學(xué)習(xí)模型可以分析任何數(shù)據(jù)，找到所有模式并創(chuàng)建算法以實現(xiàn)任何期望的結(jié)果。但是，尚未創(chuàng)建此理想模型。您可以在Pedro Domingos的“主算法”中了解其創(chuàng)建路徑。
 

　　當(dāng)今的機器學(xué)習(xí)模型專注于某些任務(wù)，它們各有優(yōu)缺點。這些模型包括以下幾種：
 

　　1)線性回歸 是從統(tǒng)計數(shù)據(jù)推導(dǎo)的經(jīng)典模型。顧名思義，它是為回歸任務(wù)(即連續(xù)值的預(yù)測)而設(shè)計的。例如，根據(jù)天氣情況，多少檸檬水將被出售。

　　2)Logistic回歸 用于分類任務(wù)。它預(yù)測給定樣本屬于特定類別的概率。

　　3)決策樹 是經(jīng)常用于分類任務(wù)的方法。在此方法中，給定對象的類定義為一系列問題，每個問題通常涉及答案是或否。

　　4)K最近鄰居 是一種簡單快速的方法，主要用于分類。在這種方法中，數(shù)據(jù)點類別由與數(shù)據(jù)點示例最相似的k(k可以是任何數(shù)字)確定。

　　5)樸素貝葉斯 ( Naive Bayes)是一種流行的分類方法，它利用概率論和貝葉斯定理確定在給定條件下某個事件(電子郵件為垃圾郵件)的可能性(在電子郵件中發(fā)現(xiàn)“免費貸款”一詞20次) 。

　　6)SVM 是一種受監(jiān)督的機器學(xué)習(xí)算法，通常用于分類任務(wù)。即使每個對象具有許多相互關(guān)聯(lián)的功能，它也可以有效地分離不同類的對象。

　　7)集合 組合了許多機器學(xué)習(xí)模型，并基于投票或平均每個模型的響應(yīng)來確定對象的類別。

　　8)神經(jīng)網(wǎng)絡(luò) 基于人腦的原理。神經(jīng)網(wǎng)絡(luò)由許多神經(jīng)元及其之間的連接組成。神經(jīng)元可以表示為具有多個輸入和一個輸出的函數(shù)。每個神經(jīng)元從輸入中獲取參數(shù)(每個輸入可能具有不同的權(quán)重，這決定了其重要性)，對它們執(zhí)行特定的功能，并將結(jié)果提供給輸出。一個神經(jīng)元的輸出可以是另一神經(jīng)元的輸入。因此，形成了多層神經(jīng)網(wǎng)絡(luò)，這是深度學(xué)習(xí)的主題。我們將更詳細(xì)地討論這一點。
 

　　神經(jīng)元結(jié)構(gòu)圖：

　　具有兩個隱藏層的人工神經(jīng)網(wǎng)絡(luò)：

　　通過研究給定的示例，神經(jīng)網(wǎng)絡(luò)會調(diào)整神經(jīng)元之間的權(quán)重，以便為對獲得所需結(jié)果影響最大的神經(jīng)元賦予最大的權(quán)重。例如，如果一種動物是條紋的，蓬松的還有貓的叫聲，則它可能是一只貓。同時，我們將最大權(quán)重分配給貓參數(shù)。因此，如果該動物不是條紋且不是蓬松的，但是有貓的叫聲-它仍然可能是貓。
 

　　深度學(xué)習(xí)
 

　　深度學(xué)習(xí)涉及深度神經(jīng)網(wǎng)絡(luò)。關(guān)于深度的意見可能會有所不同。一些專家認(rèn)為，如果網(wǎng)絡(luò)具有多個隱藏層，則可以將其視為深度網(wǎng)絡(luò);而另一些專家則認(rèn)為，只有具有許多隱藏層的網(wǎng)絡(luò)才可以視為深度網(wǎng)絡(luò)。
 

　　現(xiàn)在有幾種類型的神經(jīng)網(wǎng)絡(luò)正在積極使用。其中最受歡迎的是以下幾種：
 

　　1)長短期記憶(LSTM) -用于文本分類和生成，語音識別，音樂作品生成以及時間序列預(yù)測。

　　2)卷積神經(jīng)網(wǎng)絡(luò)(CNN) -用于圖像識別，視頻分析和自然語言處理任務(wù)。

　　結(jié)論
 

　　那么AI，機器學(xué)習(xí)和深度學(xué)習(xí)之間有什么區(qū)別?我們希望閱讀人工智能與機器學(xué)習(xí)與深度學(xué)習(xí)有什么區(qū)別后，您已經(jīng)知道該問題的答案。人工智能是智能任務(wù)(例如閱讀，玩Go游戲，圖像識別和創(chuàng)建自動駕駛汽車)自動化的一般領(lǐng)域 。機器學(xué)習(xí)是負(fù)責(zé)AI學(xué)習(xí)能力的一組人工智能方法。深度學(xué)習(xí)是研究多層神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)方法的子類。
 

　　ActiveWizards是一個由數(shù)據(jù)科學(xué)家和工程師組成的團隊，專門致力于數(shù)據(jù)項目(大數(shù)據(jù)，數(shù)據(jù)科學(xué)，機器學(xué)習(xí)，數(shù)據(jù)可視化)。核心專業(yè)知識領(lǐng)域包括數(shù)據(jù)科學(xué)(研究，機器學(xué)習(xí)算法，可視化和工程)，數(shù)據(jù)可視化(d3.js，Tableau等)，大數(shù)據(jù)工程(Hadoop，Spark，Kafka，Cassandra，HBase，MongoDB等)，以及數(shù)據(jù)密集型Web應(yīng)用程序開發(fā)(RESTful API，F(xiàn)lask，Django，Meteor)。