人工智能與機器學習、深度學習的區(qū)別

人工智能與機器學習與深度學習

IDEAL PLACE

人工智能包含了機器學習和深度學習。你可以在圖中看到，機器學習是人工智能的子集，深度學習是機器學習的子集。所以人工智能、機器學習和深度學習這三者的關系就像爺爺、父親與兒子。

人工智能一詞最早出現于 1956 年，但為什么到現在人工智能還能越來越流行?這是因為數據量的巨大增長、先進的算法以及計算能力和存儲的改進。

多年之前我們所擁有的數據不足以預測準確的結果，但是現在我們的數據量有了巨大的增長，一切就變得不同了。統(tǒng)計數據表明，到 2020 年，大數據的累積量已增加 44 萬億 GB 的數據。

現在我們已經有更先進的算法和高端的計算能力和存儲來處理如此大量的數據。因此，預計有更多的企業(yè)在未來會應用到人工智能。

什么是人工智能?

IDEAL PLACE

“人工智能是一種允許機器通過復制他們的行為和本性來像人類一樣行動的技術?！?/p>

人工智能使機器可以從他們的經驗中學習，機器根據新的輸入調整它們的響應，從而通過處理大量數據并識別其中的模式來執(zhí)行類似人類的任務。

你可以認為建造人工智能就像建造一座教堂。

第一座教堂用了幾代人的時間才完成，所以大多數在上面工作的工人都沒有看到最終的成品，但這并不意味著他們所做的事情是無用的。相反，那些為建造教堂添磚加瓦的人為他們的手藝感到自豪，他們建造磚塊和鑿石頭，這些石頭將被放置到偉大的結構中。因此，作為 AI 研究人員，我們應該將自己視為謙虛的磚匠，他們的工作是研究如何構建組件(例如解析器、規(guī)劃器、學習算法等)，總有一天有人會在某個地方將其集成到智能系統(tǒng)中。

我們日常生活中人工智能的一些例子是蘋果的 Siri、阿爾法狗、特斯拉的自動駕駛汽車等等。這些示例基于深度學習和自然語言處理。

接下來讓我們討論機器學習，看看它是什么以及它有什么作用。

機器學習出現于 80 年代末和 90 年代初。但是，為什么會出現機器學習?創(chuàng)造它是為了解決什么問題呢

什么是機器學習?

IDEAL PLACE

“機器學習是人工智能的一個子集。它允許機器根據其經驗(數據)學習和做出預測“。

通過示例了解機器學習：

假設您想創(chuàng)建一個系統(tǒng)，該系統(tǒng)可以根據身高預測一個人的體重。您要做的第一件事是收集數據。以下就是您收集的數據的樣子：

圖表上的每個點代表一個數據點。首先，我們可以畫一條簡單的線來根據身高預測體重。例如，一個簡單的公式：

W = H - 100

其中 W 是以 kg 為單位的體重，H 是以 cm 為單位的身高。

這條線可以幫助我們做出預測。我們的主要目標是減少預測值和實際值之間的差異。因此，為了實現它，我們嘗試繪制一條直線來擬合所有這些不同的點，并將誤差最小化并使它們盡可能小。減少誤差或實際值與估計值之間的差異可以提高性能。

此外，我們收集的數據點越多，我們的模型就會越好。我們還可以通過添加更多變量(例如性別)并為它們創(chuàng)建不同的預測線來改進我們的模型。一旦線被創(chuàng)建，那么在未來，如果一個新的數據(例如一個人的身高)被輸入模型，它會很容易地為你預測數據并告訴他預測的體重。

希望這個簡單的例子能夠讓你對機器學習有一個清晰的了解。接下來，讓我們了解深度學習。

什么是深度學習?

IDEAL PLACE

“深度學習是一種特殊的機器學習，它通過學習將世界表示為概念或抽象的嵌套層次結構來實現強大的功能和靈活性”

您可以將深度學習模型視為火箭發(fā)動機，其燃料是我們提供給這些算法的大量數據。

深度學習的概念并不新鮮，但近幾年對它它的炒作有所增加，深度學習也越來越受到關注。這個領域是一種特殊的機器學習，它的靈感來自我們稱為人工神經網絡的腦細胞的功能。它只是獲取所有人工神經元之間的數據連接，并根據數據模式對其進行調整，如果數據量很大，則需要更多的神經元。它自動在多個抽象級別進行學習，從而允許系統(tǒng)在不依賴任何特定算法的情況下學習復雜的函數映射。

讓我從以下幾個簡單的例子開始學習，它們解釋了深度學習在概念層面上是如何工作的。

示例 1：

讓我們想象一下，您的大腦是如何從各種幾何形狀中識別出正方形的。

首先第一件事是檢查這個圖形是否有 4 條線(很簡單吧!)。如果是，我們進一步檢查它們是否連接和閉合，如果是，我們最終檢查它是否垂直并且所有邊都相等，這樣我們的大腦就能夠判斷出這個圖形是不是正方形了(完美!)。

可以看到，我們大腦所做的工作是將識別正方形的復雜任務分解為一個個更簡單的任務。深度學習的原理與此相同，也能做到這一點，甚至規(guī)模更大。

示例 2：

讓我們再舉一個讓機器識別動物的例子。機器的任務是識別給定圖像是貓還是狗。

如果我們使用機器學習來解決同樣的問題，應該怎么做呢?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，或者它的尾巴是直的還是彎曲的。

簡而言之，我們將定義面部特征，讓系統(tǒng)識別哪些特征在對特定動物進行分類時更為重要。

而深度學習更加先進。與必須由我們手動提供面部特征的機器學習相比，深度學習會自動尋找面部特征，不需要人們手動定義特征了。這是深度學習最明顯的提升。

文章到此為止，我想您應該已經清楚人工智能是一個更大的宏圖，而機器學習和深度學習是它的子部分。如果要總結機器學習和深度學習的區(qū)別，那么理解兩者之間區(qū)別的最簡單方法就是，深度學習就是機器學習。更具體地說，深度學習是機器學習下一階段的發(fā)展。