-
1 # 機器人觀察
-
2 # 物物互聯夢動者
人工智慧、機器學習、深度學習以及監督學習等名詞之間到底有什麼樣的聯絡與區別,以及它們的應用場景呢。下面就通過概念、區別和聯絡以及應用場景三個方面來具體的分析下他們。
一、概念
1、人工智慧
人工智慧(Artificial intelligence)簡稱AI。人工智慧是電腦科學的一個分支,它企圖瞭解智慧的本質,並生產出一種新的能以人類智慧相似的方式做出反應的智慧機器,是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術科學。
人工智慧目前分為弱人工智慧和強人工智慧和超人工智慧。
1)弱人工智慧:弱人工智慧(ArtificialNarrow Intelligence /ANI),只專注於完成某個特定的任務,例如語音識別、圖象識別和翻譯等,是擅長於單個方面的人工智慧。它們只是用於解決特定的具體類的任務問題而存在,大都是統計資料,以此從中歸納出模型。由於弱人工智慧智慧處理較為單一的問題,且發展程度並沒有達到模擬人腦思維的程度,所以弱人工智慧仍然屬於“工具”的範疇,與傳統的“產品”在本質上並無區別。
2) 強人工智慧:強人工智慧(Artificial Generallnteligence /AGI),屬於人類級別的人工智慧,在各方面都能和人類比肩,它能夠進行思考、計劃、解決問題、抽象思維、理解複雜理念、快速學習和從經驗中學習等操作,並且和人類一樣得心應手。
3)超人工智慧:超人工智慧(Artificial Superintelligence/ASI),在幾乎所有領域都比最聰明的人類大腦都聰明許多,包括科學創新、通識和社交技能。在超人工智慧階段,人工智慧已經跨過“奇點”,其計算和思維能力已經遠超人腦。此時的人工智慧已經不是人類可以理解和想象。人工智慧將打破人腦受到的維度限制,其所觀察和思考的內容,人腦已經無法理解,人工智慧將形成一個新的社會。
目前我們仍處於弱人工智慧階段。
2、機器學習
機器學習(MachineLearning)簡稱ML。機器學習屬於人工智慧的一個分支,也是人工智慧的和核心。機器學習理論主要是設計和分析一些讓計算機可以自動”學習“的演算法。
3、深度學習
深度學習(DeepLearning)簡稱DL。最初的深度學習是利用深度神經網路來解決特徵表達的一種學習過程。深度神經網路本身並不是一個全新的概念,可大致理解為包含多個隱含層的神經網路結構。為了提高深層神經網路的訓練效果,人們對神經元的連線方法和啟用函式等方面做出相應的調整。深度學習是機器學習研究中的一個新的領域,其動機在於建立、模擬人腦進行分析學習的神經網路,它模仿人腦的機制來解釋資料,如圖象、聲音、文字。
注意:你可能在接觸深度學習的時候也聽到過監督學習、非監督學習、半監督學習等概念,下面就順便對這三個名詞解析下:
1)監督學習:用一部分已知分類、有標記的樣本來訓練機器後,讓它用學到的特徵,對沒有還分類、無標記的樣本進行分類、貼標籤。多用於分類。
2)非監督學習:用一部分已知分類、有標記的樣本來訓練機器後,讓它用學到的特徵,對沒有還分類、無標記的樣本進行分類、貼標籤。多用於聚類。
3)半監督學習:有兩個樣本集,一個有標記,一個沒有標記。綜合利用有類標的樣本( labeled sample)和沒有類標的樣本( unlabeled sample),來生成合適的分類。
二、區別與聯絡
機器學習是一種實現人工智慧的方法,深度學習是一種實現機器學習的技術。
三、應用場景
1) 人工智慧的研究領域在不斷的擴大,包括專家系統、機器學習、進化計算、模糊邏輯、計算機視覺、自然語言處理、推薦系統等。並且目前的科研工作都集中在弱人工智慧這部分。
2) 機器學習直接來源於早期的人工智慧領域,傳統的演算法包括決策樹、聚類、貝葉斯分類、支援向量機、EM、Adaboost等等。從學習方法上來分,機器學習可以分為監督學習(如分類問題)、無監督學習(如聚類問題)、半監督學習、整合學習、深度學習和強化學習。傳統的機器學習演算法在指紋識別、人臉檢測、特徵物體檢測等領域的應用基本達到了商業化的要求或特定場景的商業化水平。
3) 深度學習本來並不是一種獨立的學習方法,其本身也會用到監督學習和無監督學習方法來訓練深度神經網路,但由於近年來改領域發展迅猛,一些特有的學習手段相繼被提出(如殘差網路),因此越來越多的人將其單獨看作一種學習方法。主要應用在網際網路、安防、金融、智慧硬體、醫療、教育等行業,在人臉技術、圖象識別、智慧監控、文字識別、語義分析等領域。
-
3 # 悅悅聊科技
如果你在科技領域,你經常會聽到人工智慧,機器學習,甚至是深度學習。怎樣才可以在正確的時間正確的使用這些詞?他們都是一樣的意思嗎?然而更多時候,人們總是混淆的使用它們。
人工智慧,機器學習和深度學習都是屬於一個領域的一個子集。但是人工智慧是機器學習的首要範疇。機器學習是深度學習的首要範疇。
深度學習是機器學習的一個子集,機器學習是人工智慧的一個子集
這個領域的興起應該歸功於深度學習。人工智慧和機器學習這個領域近年來一直在解決一系列有趣的問題,比如從自動化的雜貨店購買到自動駕駛汽車。
人工智慧:
人工智慧的定義可以分為兩部分,即“人工”和“智慧”。“人工”比較好理解,爭議性也不大。有時我們會要考慮什麼是人力所能及製造的,或者人自身的智慧程度有沒有高到可以創造人工智慧的地步,等等。但總的來說,“人工系統”就是通常意義下的人工系統。
尼爾遜教授對人工智慧下了這樣一個定義:“人工智慧是關於知識的學科――怎樣表示知識以及怎樣獲得知識並使用知識的科學。”而另一個美國麻省理工學院的溫斯頓教授認為:“人工智慧就是研究如何使計算機去做過去只有人才能做的智慧工作。”這些說法反映了人工智慧學科的基本思想和基本內容。即人工智慧是研究人類智慧活動的規律,構造具有一定智慧的人工系統,研究如何讓計算機去完成以往需要人的智力才能勝任的工作,也就是研究如何應用計算機的軟硬體來模擬人類某些智慧行為的基本理論、方法和技術。
人工智慧是研究使計算機來模擬人的某些思維過程和智慧行為(如學習、推理、思考、規劃等)的學科,主要包括計算機實現智慧的原理、製造類似於人腦智慧的計算機,使計算機能實現更高層次的應用。人工智慧將涉及到電腦科學、心理學、哲學和語言學等學科。可以說幾乎是自然科學和社會科學的所有學科,其範圍已遠遠超出了電腦科學的範疇,人工智慧與思維科學的關係是實踐和理論的關係,人工智慧是處於思維科學的技術應用層次,是它的一個應用分支。從思維觀點看,人工智慧不僅限於邏輯思維,要考慮形象思維、靈感思維才能促進人工智慧的突破性的發展,數學常被認為是多種學科的基礎科學,數學也進入語言、思維領域,人工智慧學科也必須借用數學工具,數學不僅在標準邏輯、模糊數學等範圍發揮作用,數學進入人工智慧學科,它們將互相促進而更快地發展。
AI目標:
為了進一步解釋人工智慧的目標,研究人員將其擴充套件到這六個主要目標。
邏輯推理。使計算機能夠完成人類能夠完成的複雜心理任務。例如下棋和解代數問題。
知識表達。使計算機能夠描述物件,人員和語言。例如能使用面向物件的程式語言Smalltalk。
規劃和導航。使計算機從A點到B點。例如,第一臺自動駕駛機器人建於20世紀60年代初。
自然語言處理。使計算機能夠理解和處理語言。例如把英語翻譯成俄語,或者把俄語翻譯成英語。
感知。讓電腦通過視覺,聽覺,觸覺和嗅覺與世界交流。
緊急智慧。也就是說,智慧沒有被明確地程式設計,而是從其他AI特徵中明確體現。這個設想的目的是讓機器展示情商,道德推理等等。
AI領域
即使有了這些主要目標,這也沒有對具體的人工智慧演算法和技術進行分類。這些是人工智慧中的六大主要演算法和技術:
機器學習是人工智慧領域,使計算機不用明確程式設計就能學習。
搜尋和優化演算法,如梯度下降迭代搜尋區域性最大值或最小值。
約束滿足是找到一組約束的解決方案的過程,這些約束施加變數必須滿足的條件。
邏輯推理。人工智慧中邏輯推理的例子是模擬人類專家決策能力的專家計算機系統。
概率推理是將概率論的能力去處理不確定性和演繹邏輯的能力來利用形式論證的結構結合起來。其結果是一個更豐富和更具表現力的形式主義與更廣泛應用領域。
控制理論是一種正式的方法來找到具有可證性的控制器。這通常涉及描述像機器人或飛機這樣的物理系統的微分方程組。
機器學習
機器學習是人工智慧的一個子集。那麼什麼是機器學習呢?
機器學習(MachineLearning,ML)是一門多領域交叉學科,涉及概率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為,以獲取新的知識或技能,重新組織已有的知識結構使之不斷改善自身的效能。
它是人工智慧的核心,是使計算機具有智慧的根本途徑,其應用遍及人工智慧的各個領域,它主要使用歸納、綜合而不是演繹。
機器學習如此重要的原因是什麼?一個重大突破導致機器學習成為人工智慧背後的動力–網際網路的發明。網際網路有大量的數字資訊被生成儲存和分析。機器學習演算法在這些大資料方面是最有效的。
神經網路⇱
如果我們談論機器學習時,值得一提的是機器學習演算法:神經網路。
神經網路是機器學習演算法的關鍵部分。神經網路是教計算機以人類的方式思考和理解世界的關鍵。實質上,神經網路是模擬人類的大腦。這被抽象為由加權邊緣(突觸)連線的節點(神經元)的圖形。有關神經網路的更多資訊請檢視神經網路概述。
這個神經網路有一層,三個輸入和一個輸出。任何神經網路都可以有任何數量的層,輸入或輸出。
深度學習
機器學習演算法一直是人工智慧背後的推動力量。所有機器學習演算法中最關鍵的是深度學習。
深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵,以發現數據的分散式特徵表示。
這個神經網路有兩層,三個輸入和一個輸出。任何神經網路都可以有任何數量的層,輸入或輸出。輸入神經元和最後一層輸出神經元之間的層是深層神經網路的隱藏層。
深度學習最好的表現是深度神經網路(DNN)。深層神經網路只是一個超過兩層或三層的神經網路。然而,深度神經網路並不是深度學習演算法的唯一型別-但它是最流行的型別。另一個深度學習演算法是深度信任網路(DBN)。深層信任網路在層與層之間不直接聯絡。這意味著DNN和DBN的拓撲在定義上是不同的。DBN中的無向層被稱為RestrictedBoltzmannMachines。
人工智慧、大資料、雲端計算和物聯網的未來發展值得重視,均為前沿產業,多智時代專注於人工智慧和大資料的入門和科譜。
-
4 # 月圓傳說
AI、機器學習、深度學習的關係
人工智慧:是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法及應用系統的一門新的技術科學。
機器學習:專門研究計算機怎樣模擬或實現人類的學習行為,以獲取新的知識或技能,重新組織已有的知識結構使之不斷改善自身的效能。機器學習是人工智慧的核心研究領域之一,任何一個沒有學習能力的系統都很難被認為是一個真正的智慧系統。
深度學習:源於人工神經網路的研究,含多隱層的多層感知器就是一種深度學習結構。深度學習是機器學習研究中的一個新的領域,其動機在於建立、模擬人腦進行分析學習的神經網路,它模仿人腦的機制來解釋資料,例如影象,聲音和文字。
-
5 # Kobe096
人工智慧是機器學習和深度學習的總稱,人工智慧就是說通過自動化手段使產品具有感知屬性。
機器學習是人工智慧的一種解決問題的手段,它的範圍十分廣泛,包括傳統影象處理,各種分類,聚類演算法和當前流行的深度學習技術等。通過機器學習方法可以達到產品自動化。
深度學習是一種具體的解決問題的方法,它可以通過深度網路使物體具有人的特徵,例如: 影象識別,目標檢測和追蹤等。
回覆列表
深度學習是實現機器人學習的一種方式,機器學習是實現人工智慧的一種方式。
這三者屬於一個從屬的關係。
1、深度學習:相當於一種處理資訊的方式。這上面的三個概念,在理解的時候,最好類比一下人類的思維習慣。然後就好理解這些模型和架構。
外部資訊輸入進來之後——機器人通過什麼處理方式進行梳理這部分資料,並且能夠根據這個梳理完的資料,留存下載的資訊,建立新的索引基礎。
這就是深度學習的表面含義。
說通俗點就是:我們在教育孩子的時候,第一次告訴他,桌子上的是碗,頭頂的是燈。最開始小朋友學會了,只知道這這兩個東西。後來他開始類比,只要是發光的,他都叫電燈。只要是白色的放桌上都叫碗。
這種舉一反三是非常合適的,這其實就屬於深度學習中的資料處理單元。
大部分人喜歡用這張圖來說明,深度學習。
這麼說吧,就這張圖,可以說一本書的深度學習知識。咱們普通朋友,根本聽不懂。換一張圖解釋一下深度學習。
1、當你有人第一次告訴你,桌子上的東西叫碗。你會形成一個向上的認知:碗是白色,可以盛飯,凹進去的。
2、你閉上眼,不去看那個碗。你在大腦中,怎麼描述碗?
那就是一個反過來的過程:白色的,盛飯的,凹進去的就是碗。你以後看到這種東西,第一時間不管對不對,理論上都應該說這是“碗”。
3、伴隨著時間的推移,你不見過了各式各樣的碗,有青花瓷的,有玻璃的,有鐵的等等。最後你形成了一個標籤,凹進去,器皿。都可以叫碗。
這就是一個比較簡單深層學習過程。當然計算機實現起來,比我說的要複雜的多。那畢竟是一門學問,不是一篇文章。
所以深度學習,跟以前的神經網路學習,建模分析等等都是機器處理資料的一種方法,可以說是機器人的思路。
機器學習是機器人掌握的各種思考方式的總和這裡舉一個例子:有不少家長問一些考過高考的學生,如何學習知識的,有沒有經驗,給我們推薦一下。
有的學生說:要勤做筆記,多學會歸納總結。
有的學生說:我不做筆記,太浪費時間,我喜歡舉一反三,自己可以從一個知識點發散發所有的知識點。
有的學生說:我就是笨方法,就是大量的刷題,熟能生巧。
這就是人類的學習方式!
機器人的學習方式也一樣:深度學習是一種,依賴大量資料各類總結的專家系統是一種。依靠神經網路,慢慢的學習進化,從基礎開始學的機器人也是一種學習方式。
如果這個機器人,很強,他什麼學習方式都可以掌握。並且可以隨時切換,採用最好的方式。
甚至可以實現聯想!
人工智慧是機器人學成之後,能夠跟人類互動,人類能夠看到的表象這就好像是,一個孩子成人了,成人之間交流,大家都說:嗯,這個小夥子成才了,很會為人處世——這就實現了學成之後的智慧化。
什麼叫沒成?就是一點為人處事都不懂,甚至不能自理的那種人,就屬於“非智慧”的狀態。
正常來說,只要機器學習合理,並且完善,最終一定能夠實現人工智慧。只是時間早晚的問題。