万字长文科普：人工智能是什么？它又是如何工作的呢？（三）

机器学习是什么？

机器学习是的一个子集，它定义了人工智能的核心特征之一——从经验中学习。

机器学习算法通过从输出中学习来自动修正和改进。它们不需要显式指令来生成所需的输出。它们对数据集进行计算得出输出，并将输出和真实结果进行比较，检查输出的可靠性，然后进行不断优化。

人工智能 VS 机器学习

人们经常认为人工智能和机器学习是等价的，但实际上机器学习是人工智能的一个子集，两者之间有一些区别。以下列出了一些不同之处：

机器学习的分类

ML 可分为三类：有监督学习、无监督学习、半监督学习、强化学习。

• 有监督学习
  有监督学习的 ML 算法根据历史数据学习知识。通常使用特定的数据集进行训练，根据该数据集，算法将生成一个预测函数。使用这个预测函数来预测最终输出。
  被称为有监督学习，是因为需要使用特定的数据集来训练算法，以帮助它形成预测函数。并且数据集被明确地标注，以帮助算法更好地“理解”数据。该算法可以将预测输出与标注的输出进行比较，从而修正模型，使模型更加精确。
  
• 无监督学习
  在无监督学习的情况下，仍然提供训练数据，但不会标记。在该模型中，算法根据训练数据的属性进行推理，通过对数据的挖掘找到可能的模式或推理方式。它自动形成描述这些模式的逻辑，并以此为基础产生输出。
  
• 半监督学习
  与上述两种方法类似，唯一的区别是半监督学习同时使用标记数据和未标记数据。这解决了必须标记大型数据集的问题——程序员只需标记一小部分数据，然后让机器根据这些数据计算出其余的数据。当缺少大量的技术资源来标记数据集时，通常使用此方法.
  
• 强化学习
  强化学习依赖于算法环境。该算法在反复试验的过程中不断达到程序员设置的“奖励”和“惩罚”的条件，尝试将“奖励”和“惩罚”的综合回报最大化，从而提供所需的输出。它之所以被称为强化学习，是因为该算法根据它所遇到的奖励，在正确的路径上接受强化。
  

深度学习是什么？

深度学习是机器学习的一个分支，它涉及到由大脑的结构和功能所启发的算法——人工神经网络。深度学习被用来让机器学习人类的各种能力。通过深入学习，可以让计算机对图像、文本或声音等输入进行分类。

随着模型精度的提高，深度学习变得越来越流行。现在已经有许多大型标记数据集可以被用来训练神经网络模型。

简单地说，深度学习是模拟大脑的运行方式，希望使算法的效率更高，使用更简单。深度学习和机器学习之间的区别如图所示。

深度学习的应用

深度学习的应用已经开始浮出水面，但对未来有更大的空间。下面列出了一些将主宰未来的深度学习应用程序。

• 添加图像和视频元素——为黑白图像添加颜色；自动添加声音到电影和视频剪辑中。
• 机器翻译——自动将文本翻译成其他语言或将图像翻译成文本。虽然机器翻译已经存在了一段时间，但是深度学习正在取得最好的效果。
• 目标分类和检测——如学校考勤系统的人脸检测，或通过监控摄像头发现罪犯。目标分类和检测是通过使用非常大的卷积神经网络来实现的，在许多行业都有应用实例。
• 自动文本生成——通过机器学习算法学习大量文本，并使用该文本编写新文本。该模型在生成有意义的文本方面具有很高的效率。
• 自动驾驶汽车——很多人都听说过自动驾驶汽车，这可能是深度学习最流行的应用。模型需要从大量的数据中学习，以理解驾驶的所有关键部分，因此，随着输入数据的不断增多，深度学习算法被用来提高性能。
• 在医疗保健领域的应用——深度学习在检测乳腺癌和皮肤癌等慢性疾病方面显示出很有价值的结果。它在移动监控应用程序、预测和个性化医疗方面也有很大的应用。

深度学习为什么很重要？

今天，我们可以通过将足够的数据输入到学习模型中，让这些机器以人类的方式做出反应，甚至更好，比如教会机器如何阅读、写作。

智能手机和互联网的存在，使得深度学习可以广泛应用到现实生活中。

现在深度学习处于快速发展的阶段，像谷歌这样的科技领袖已经在任何可能的领域应用它。

与机器学习模型相比，深度学习模型的性能随着输入数据量的增加而提高，而机器学习模型的性能往往随着输入数据量的增加而下降。

这也是深度学习现阶段比较热的原因。

人工智能、机器学习、深度学习？三者之间的关系

如上图所示，三个椭圆将DL描述为ML的一个子集，ML则是AI的一个子集。

可以说，人工智能是最初的包罗万象的概念。

接着是后来蓬勃发展的ML，继续发展为DL，而DL有望将AI提升到另一个层次。

自然语言处理(NLP)

自然语言处理是人工智能的一个组成部分，指的是机器理解人类语言的能力。

** NLP应用的主要步骤**

• 设计程序收集所需的数据，如数据库文件、电子表格、电子邮件、电话录音、笔记文本和其他相关数据。
• 采用算法从这些数据中删除所有停止词，并对某些具有相同含义的词进行规范化处理。
• 剩余的文本被分成称为若干标记组。
• NLP程序分析数据以学习推理推断模式、掌握频率等关键统计信息，以了解标记词句的使用范围及其适用性。

** NLP应用领域**

• 语言翻译
• 检查文本语法准确性
• 呼叫中心使用交互式语音响应来响应用户请求
• Siri和Cortana等个人虚拟助理

Python

Python是一种现在非常流行的面向对象编程语言，由Guido Van Rossum创建，并于1991年发布。它适用于web开发、软件开发、系统脚本和开发其他应用程序。

Python为何如此流行？

• 语法易于学习，可读性较高，从而降低了程序维护的成本
• 支持模块和包，方便调用
• 由于没有编译步骤，使得测试调试周期更快，因此它可以提高生产率

** Python的应用场景**

• 网页开发
• GUI开发
• 科学计算
• 软件开发
• 商业领域应用
• 教育领域应用
• 数据库开发
• 游戏开发
• 网络编程

如何入门Python?

网上有很多相关视频、博客和电子书，你可以通过这些在线材料进行学习。但是，如果你想以授课的形式学习更多的实用性操作，你可以报名参加许多培训公司提供的Python课程。

计算机视觉

计算机视觉主要研究如何使计算机能够“看到”和理解数字图像和视频。计算机视觉的目标是从图像源数据中得出规律，并将其应用于解决现实世界的问题。

计算机视觉的应用领域

计算机视觉在当今有着广泛的应用，其发展前景广阔，比如：

• 用于监控和安全系统的面部识别
• 零售店使用计算机视觉跟踪库存和客户
• 自动驾驶汽车
• 疾病诊断
• 金融防诈骗

通过深度学习实现计算机视觉

• 目标分类和定位：识别图像或视频中的目标，以及它们的位置，通常在它们周围用一个方形框突出显示。
• 语义分割：涉及到神经网络来分类和定位图像或视频中的所有像素。
• 彩色化：将灰度图像转换成全彩图像。
• 重建图像：重建损坏或被篡改的图像。

神经网络

神经网络是一系列模拟人脑功能的算法，用来确定一组数据中潜在的关系和模式。

神经网络的应用场景

神经网络的概念已经在金融部门交易系统中得到了应用。它们还帮助实现诸如时间序列预测、安全分类和信用风险建模等过程。

神经网络的分类

• 前馈神经网络：数据只沿一个方向移动，从输入节点进入，在输出节点退出。
• 径向基函数神经网络：考虑一个点到中心的距离。
• Kohonen自组织神经网络：将任意维数的向量输入到由神经元组成的离散映射中。
• 递归神经网络(RNN)：递归神经网络保存层的输出，并将其反馈给输入，以帮助预测层的输出。
• 卷积神经网络(CNN)：类似于具有可学习偏差和权值的神经元的前馈神经网络。它被应用于信号和图像处理。
• 模块化神经网络：是许多不同神经网络的集合，每个处理一个子任务。

神经网络的优势

• 学习和建立非线性复杂关系模型的能力
• ANN可以泛化模型，推断原始数据以外数据的未知关系
• ANN对输入变量没有任何限制。

人工智能与电影

多年来，人们基于人工智能的概念制作出了许多电影，这些电影让我们看到了未来的世界。通常，这些电影中的人工智能角色和元素都是受现实生活事件所启发的。也有一些元素是想象的，而这些美好想象正是激励人们将这些元素复制到现实生活中。因此，人工智能概念电影不仅仅是虚构的科幻作品，对于人工智能研究领域而已，其重要意义远大于娱乐。对于人工智能爱好者来说，它们是动力、灵感的源泉，有时也是知识的源泉。它们拓宽了人工智能的范围，并在将人工智能应用于现实世界问题时，推动了人类能力和想象力的边界。

人工智能的未来

作为人类，我们一直追求科技变革和进步，而现在，我们正生活在历史上最伟大的进步之中。人工智能有望成为技术领域的下一个里程碑。世界各地的组织都在人工智能和机器学习领域提出突破性的创新。人工智能作为大数据、机器人和物联网等新兴技术的主要驱动力,影响着每一个行业和每一个人的未来。考虑到它的增长速度，在可预见的未来，它将持续作为相关技术领域的研究热点。随着这些技术的不断发展，它们将对社会环境和生活质量产生越来越大的影响。而经过专业培训和认证的技术人才有巨大的机会获得高额回报。

面部识别、医疗领域人工智能、聊天机器人等技术不断进步。虚拟助理已经进入日常生活，帮助我们节省时间和精力。特斯拉等科技巨头的自动驾驶汽车已经向我们展示了迈向未来的第一步。人工智能可以帮助减少和预测气候变化带来的风险。所有这些进步都只是开始，还有很多事情要做。据说到2022年，人工智能将创造1.33亿个新的人工智能工作岗位。如果你正在进行职业选择，那么现在是时候考虑拥抱人工智能了。