人工智能、机器学习、深度学习这三者的关系原来是这样!

阅读  ·  发布日期 2019-05-29 16:12  ·  admin

  随着人工智能在全球各个领域迎来大爆发,“人工智能”、“机器学习”、“深度学习”这三个词汇更是以爆炸式的方式频繁被各个新闻媒体平台提及,然而面对这三个词汇,很多小伙伴是一知半解,并不能清清楚楚地说出个所以然。
  为了帮助小伙伴们更好地理解,蜘蛛学院用最简单的语言解释了这些词汇这三个词汇的含义,并理清了它们之间的关系。

什么是人工智能

  什么是“人工智能”?

  如果你对“人工智能”的发展历程有一个基本的了解,应该知道1956 的达特茅斯会议是“人工智能”概念诞生的标志,而这个概念就是赋予计算机一个比拟人类甚至超越人类的超强大脑,希望计算机成为拥有与人类智慧同样本质特性的机器。

  2012年以后,得益于数据量的上涨、运算力的提升和机器学习新算法(深度学习)的出现,人工智能开始大爆发。

  2016年3月,AlphaGo与围棋冠军李世石的5场比赛中赢得了4场,引起了全球人类对人工智能的广泛关注。

  现在,人工智能的研究领域也在不断扩大,它的研究分支包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。

机器学习

  而我们目前正在研究的都是在弱人工智能这部分,譬如电影《阿塔丽:战斗天使》中出现的人工智能都是属于强人工智能,目前在现实世界中是难以实现的(通常将人工智能分为弱人工智能和强人工智能,前者让机器具备观察和感知的能力,可以做到一定程度的理解和推理,而强人工智能让机器获得自适应能力,解决一些之前没有遇到过的问题)。

  那么,弱人工智能是如何实现的呢?这主要归功于一种实现人工智能的方法——机器学习。

  机器学习:一种实现人工智能的方法

  机器学习最基本的做法,是使用算法来解析数据、从中学习,然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同,机器学习是用大量的数据来“训练”,通过各种算法从数据中学习如何完成任务。

深度学习

  举个简单的例子,当我们浏览网上商城时,经常会出现商品推荐的信息。这是商城根据你往期的购物记录和冗长的收藏清单,识别出这其中哪些是你真正感兴趣,并且愿意购买的产品。这样的决策模型,可以帮助商城为客户提供建议并鼓励产品消费。

  机器学习直接来源于早期的人工智能领域,传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法上来分,机器学习算法可以分为监督学习(如分类问题)、无监督学习(如聚类问题)、半监督学习、集成学习、深度学习和强化学习。

  传统的机器学习算法在指纹识别、基于Haar的人脸检测、基于HoG特征的物体检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平,但每前进一步都异常艰难,直到深度学习算法的出现。

  深度学习:一种实现机器学习的技术

  深度学习本来并不是一种独立的学习方法,其本身也会用到有监督和无监督的学习方法来训练深度神经网络。但由于近几年该领域发展迅猛,一些特有的学习手段相继被提出(如残差网络),因此越来越多的人将其单独看作一种学习的方法。

机器学习

  最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念,可大致理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果,人们对神经元的连接方法和激活函数等方面做出相应的调整。其实有不少想法早年间也曾有过,但由于当时训练数据量不足、计算能力落后,因此最终的效果不尽如人意。

  深度学习奇迹般地实现了各种任务,使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车,预防性医疗保健,甚至是更好的电影推荐,都近在眼前,或者即将实现。

  人工智能、机器学习、深度学习三者之间的关系

  综上所述,我们可以总结出,机器学习是一种实现人工智能的方法,深度学习是一种实现机器学习的技术。也就是说人工智能包含机器学习,机器学习包含深度学习。

人工智能与深度学习

  阅读到此刻,小伙伴们对于人工智能、机器学习、深度学习三者之间的关系是否捋清楚了呢?