人工智慧、機器學習和深度學習
[注: 本文翻譯自網上的一篇文章,有刪節,原文:https://medium.com/iotforall/the-difference-between-artificial-intelligence-machine-learning-and-deep-learning-3aa67bff5991]
「人工智慧」這個術語大家都比較熟悉。畢竟,它一直是電影中的熱門焦點,例如「終結者」、「黑客帝國」等等。 但您最近可能還聽說過其他術語,如「機器學習」和「深度學習」,有時它們與「人工智慧」交替使用。結果,人工智慧、機器學習和深度學習之間的區別可能非常不明確。
接下來,我將簡單介紹人工智慧(AI)、機器學習(ML)和深度學習(DL)的實際意義以及它們的不同之處。
那麼AI、ML和DL有什麼區別?
AI於1956年首先由John McCarthy創造,它涉及能夠執行人類智能特徵任務的機器。 雖然這有點籠統,但它包括規劃、理解語言、識別物體和聲音、學習和解決問題等內容。
我們可以將人工智慧分為兩大類:廣義和狹義。廣義AI將具有人類智能的所有特徵,包括上面提到的能力。 狹義的AI則展現人類智慧的一些方面,並且可以很好地完成這一特徵,但在其他領域缺乏相關能力。一台非常擅長識別圖像的機器,但別無他用,這是狹義AI的一個例子。
本質上機器學習只是實現人工智慧的一種途徑。
亞瑟.塞繆爾(Arthur Samuel)在1959年創造人工智慧後不久就創造了這個短語,將其定義為「無需明確編程就能具備的學習能力」。你可以在不使用機器學習的情況下獲得人工智慧,但是這需要建立數百萬行具有複雜規則和決策樹的代碼。
因此,機器學習不是硬編碼特定指令來完成特定任務的軟體程序,而是一種「訓練」演算法的方式,以便學習如何做。 「訓練」涉及向演算法提供大量數據,並允許演算法自行調整並改進。
舉個例子,機器學習已經被用來大幅改進計算機視覺(機器識別圖像或視頻中的物體的能力)。 你收集數十萬甚至數百萬張圖片,然後讓人類給他們加標籤。例如,人類可能會標記其中有貓的圖片。然後,該演算法試圖建立一個模型,可以像人類那樣準確地將圖片標記為包含貓或不包含貓。 一旦準確度足夠高,我們可以認為機器現在已經「學習」了貓的樣子。
深度學習是機器學習的眾多方法之一。其他方法包括決策樹學習、歸納邏輯編程、聚類、強化學習和貝葉斯網路等。
深度學習受到大腦結構和功能的啟發,即許多神經元的相互連接。人工神經網路(ANN)是模擬大腦生物結構的演算法。
在人工神經網路中,有「神經元」,它們與其他「神經元」具有不連續的層和連接。每個圖層挑選一個特定的要學習的特徵,例如圖像識別中的曲線/邊緣。正是這種層次才給了深度學習這個名字,深度是通過使用多層而不是單層創建的。
※機器學習模型的可視分析
※綜述論文:機器學習中的模型評價、模型選擇與演算法選擇
TAG:機器學習 |