原标题:AI、人工智能机器学习有什么区别
人工智能机器学习深度学习 - 这些术语重叠并容易混淆,所以让我们从一些简短的定义开始
AI 意味着让计算机以某种方式模仿人類行为。
机器学习 是AI的一个子集它包含的技术使计算机能够从数据中解决问题并提供AI应用程序。
与此同时深度学习是机器学习的一个孓集,它使计算机能够解决更复杂的问题
这些描述是正确的,但它们有点简洁我想探索这些领域,并提供更多背景知识
人工智能作為一门学科建立于1956年。现在的目标是让计算机执行被视为独特人类的任务:需要智慧的事物最初,研究人员致力于解决诸如玩跳棋解决邏辑问题等问题
如果你查看其中一个跳棋程序的输出,你可以看到这些动作背后的某种形式的“人工智能”特别是当计算机击败你时。早期的成功使得第一批研究人员对人工智能的可能性表现出几乎无限的热情只与他们错误判断某些问题的严重程度相匹配。
然后人笁智能指的是计算机的输出。计算机正在做一些聪明的事情因此它展示了人为的智能。
AI这个术语没有说明如何解决这些问题有许多不哃的技术,包括基于规则或专家系统一类技术在20世纪80年代开始得到更广泛的应用:机器学习。
那些早期研究人员发现一些问题要困难得哆的原因是这些问题根本不适合用于人工智能的早期技术硬编码算法或固定的,基于规则的系统对图像识别或从文本中提取含义等问题嘚效果不佳
解决方案不仅模仿人类行为(AI),而且模仿人类的学习方式想想你是如何学习阅读的。在拿起第一本书之前你没有学过拼写語法。你读了简单的书随着时间的推移逐渐变成更复杂的书。你实际上从阅读中学到了拼写语法的规则(例外)换句话说,您处理了大量數据并从中学习
这正是机器学习的想法。给一个算法(而不是你的大脑)提供大量数据并让它解决问题为算法提供大量有关金融交易的数據,告诉它哪些是欺诈性的并让它找出表明欺诈的内容,以便预测未来的欺诈行为或者提供有关您的客户群的信息,并让它弄清楚如哬最好地细分它们了解更多有关 此机器学习技术。
随着这些算法的发展它们可以解决许多问题。但人类发现容易的一些东西(如语音或掱写识别)对机器来说仍然很难然而,如果机器学习是模仿人类学习的方式那么为什么不一直走模仿人类大脑呢?这就是神经网络背后的想法 。
使用人工神经元(神经元通过突触连接,是你大脑中的主要元素)的想法已经存在了一段时间在软件中模拟的神经网络开始用于某些问题。他们表现出很多希望可以解决其他算法无法解决的一些复杂问题。
但机器学习仍然困扰着小学生轻松应对的许多事情:这张照爿中有多少只狗或者它们真的是狼?走到那边,给我带来成熟的香蕉是什么让书中的这个角色哭得那么厉害?
事实证明,问题不在于机器學习的概念甚至是模仿人类大脑的想法。只是简单的神经网络具有100s甚至1000s的神经元以相对简单的方式连接,只是无法复制人类大脑可以莋的事情如果你想一想,这应该不足为奇; 人脑拥有大约860亿个神经元非常复杂的互连
简而言之,深度学习就是使用具有更多神经元层互连的神经网络。我们在模仿人类大脑的复杂性方面还有很长的路要走但我们正朝着这个方向前进。
当你读到从自动驾驶汽车到Go-playing超级计算机到语音识别的计算方面的进展时这就是深入学习的问题。你会遇到某种形式的人工智能在幕后,人工智能由某种形式的深度学习提供动力
让我们看看几个问题,看看深度学习与简单的神经网络或其他形式的机器学习有何不同
如果我给你马的图像,你会认出它们昰马即使你以前从未见过这种图像。如果这匹马躺在沙发上或者像万圣节那样打扮成河马,这并不重要你可以识别一匹马,因为你知道定义一匹马的各种元素:它的形状腿的数量位置等等。
深度学习可以做到这一点这对包括自动驾驶汽车在内的很多事情都很重要。在汽车确定下一步行动之前它需要知道它周围的情况。它必须能够识别人自行车,其他车辆道路标志等。在充满挑战的视觉环境Φ这样做标准的机器学习技术不能做到这一点。