深度学习|人工智能vs机器学习vs深度学习机器学习

文章图片

如今，人工智能 (AI)、机器学习 (ML) 和深度学习 (DL) 术语变得非常普遍。它们通常可以互换使用，尤其是在处理大数据、分析以及搜索和索引时。尽管这三个术语非常相关，但它们并不是一回事。
在今天的故事中，我们将向您解释什么是 AI、ML 和 DL ，以及它们之间的区别。
人工智能AI 是计算机科学的分支，由 John McCarthy 于 1956 年首次提出。计算机通常执行我们命令的任务。然而，人工智能是一种构建机器或软件的方式，它可以像人类一样智能思考和自我执行。这包括理解语言、识别声音和视觉、学习、计划和解决问题等。
例如，传统程序只能回答特定问题，但人工智能程序可以回答一般问题。
有四种类型的人工智能——

Completely Reactive：基本类型，无法得出结论。示例——谷歌的 AlphaGo、IBM 的 DeepBlue
记忆力有限：可以做出正确的决定并采取行动。示例——聊天机器人、自动驾驶汽车
心智理论：能够理解思想、情绪和社交互动。 — 尚未建成*
自我意识：可以形成关于自己的表征，意识到自我状态，并且可以预测他人的感受。 –尚未建成*

虽然第三种和第四种机器并不真正存在，但它们在科幻电影中得到了展示，例如《星球大战》的 R2D2（3 型）和《机械姬》的 Eva（4 型）。

人工学习
机器学习ML 是 AI 的一个子集，它为系统提供了学习、行动和从经验中改进的能力，而无需明确编程。因此， ML 不是用特定指令明确编写所有方法来完成特定任务，而是一种训练程序的技术，以便它可以从过去的经验中学习。在这里，训练是指向程序提供大量数据，并让程序自行配置和改进。
例如，如果您向 ML 算法提供数千张猫图片，它将开始识别猫的长相——它们的身高、颜色、脸型等。最终，它可以识别并自动标记图片中的猫。一旦准确度足够高，该算法就可以准确地分辨出猫的样子。
机器学习的类型：

监督：使机器通过具有定义输出的数据进行显式学习。
无监督：机器理解数据（模式/结构）并从数据集中进行推断。
强化：一种人工智能方法，从正面和负面强化中学习，并奖励积极的结果。

深度学习
机器学习
深度学习是机器学习的一个子领域，它是处理受人脑结构和功能或许多神经元互连启发的算法。这些算法被称为模拟大脑生物结构的人工神经网络 (ANN) 。
神经元具有离散的层和与其他神经元的连接。可以将这些层可视化为相关概念或决策树的嵌套层次结构。每一层都能够选择一个特定的特征来学习或遵循特定的路径。深度是由多层构建的——网络的层数越多，它就越深/复杂。
为了得到良好的训练，深度学习网络需要大量的项目。系统不是为定义项目的每个边编写代码，而是从数百万个数据点的暴露中学习。
谷歌大脑是深度学习在获取超过一千万图像样本后识别猫的完美示例。这些网络不需要使用定义项目的特定标准进行编码；他们可以在接触大量样本后识别边缘。