深度学习与人工智能革命:part II

简介: 本文是该系列内容的第2部分内容,主要介绍人工智能、机器学习和深度学习三者的差别,着重介绍机器学习中的有监督学习和无监督学习。

本篇是系列博客的第二部分,如果没有看过第一部分内容的读者建议阅读一下。

I部分内容中,主要是讲解人工智能的历史以及它现在高速发展的原因;

在今天的第II部分内容中,将讨论一下人工智能、机器学习和深度学习之间的区别;

第III部分内容中,将深入研究深度学习以及在为新项目选择数据库时需要评估的关键事项;

IV部分内容中,将讨论深度学习为何使用MongoDB,并提供相关使用实例;

由于本文内容是第II部分内容,主要介绍人工智能、机器学习和深度学习之间的区别如果读者想快速将四部分的内容全部看完,可以下载本文的附件。

人工智能、机器学习和深度学习之间的区别

在很多情况下,人工智能、机器学习和深度学习可以互换使用。但实际上,机器学习和深度学习都是人工智能的子集。人工智能作为计算机科学研究领域中的一个分支,其重点是建立能够具有智能行为的机器,而机器学习和深度学习则是利用算法筛选数据,并从数据中学习、预测或采取自主行动的实践。因此,这些算法不需要根据特定的约束进行编程,而是使用大量数据进行训练,使其能够独立学习、推理和执行特定的任务。

那么,机器学习和深度学习之间存在哪些区别呢?在定义深度学习之前(第III部分内容),先深入地理解机器学习吧。

机器学习:有监督VS.无监督

机器学习方法主要分成两大类:有监督学习和无监督学习。

有监督学习:目前,有监督学习是机器学习中最为常用的算法。在有监督学习的情况下,相关算法的输入是开发人员和分析人员手动标记的数据,即有标记的数据,这些标记就是数据的期望输出值,使用这些数据来训练模型并生成预测。监督学习任务又可以分为两大类:回归和分类问题。

上图演示了一个简单的回归问题。从图中可以看到,存在两个输入或特征(平方英尺和价格),被用于生成拟合曲线,并预测未来的房地产价格。这个模型相当简单,只考虑了房子的面积这一个特征对房价的影响,在国内的话,如果只考虑这房子面积这一个特征就去购买或投资房产的话,将会闹出笑话。因此,一般而言,考虑的特征越多,模型会越复杂,预测也会更加准确。

上图演示了一个有监督分类问题。使用的数据集是有标记为良性肿瘤和恶性肿瘤的乳腺癌患者。有监督分类算法试图通过将数据拟合成直线将肿瘤划分为两种不同的类别。当算法学习好后,即划分直线确定,将来的数据可以之间通过这条划分直线来确定患者的肿瘤是良性或恶性。分类问题导致离散输出,但不一定限制固定数据集的输出数量,上图中只有两个离散输出,但可以有更多分类类别(1表示良性,2表示恶性,3表示待定等)。

无监督学习。在有监督学习的示例中,可以看到使用的数据集都具有标记(良性或恶性分类),数据标记有助于算法确定正确的答案是什么,进而调整模型参数以使得模型输出尽可能与标记相近。而在无监督学习中,数据集是不具有标记的,需要依赖于算法来发现数据中的结构和模型。

从上图中可以看到,每个数据点代表的信息不明确,因此要求算法在不受任何监督的情况下查找数据中存在的结构信息。图中的无监督学习算法可以确定两个不同的集群,并在集群之间进行直线分类。无监督学习广泛应用于新闻、社会网络分析、市场分割及银河系周围的天文分析等许多应用案例中。

以上是第II部分的全部内容,在第III部分内容中,将深入介绍深度学习,以及在为新项目选择数据库时需要评估的关键事项。

作者信息

Mat Keep,产品营销总监,目前就职于MongoDB团队。

个人主页:https://www.linkedin.com/in/matkeep/

本文由北邮@爱可可-爱生活老师推荐,阿里云云栖社区组织翻译。

文章原标题《Deep Learning and the Artificial Intelligence Revolution: Part 2》,作者:Mat Keep,译者:海棠,审阅:袁虎。

文章为简译,更为详细的内容,请查看原文

 

相关文章
|
17天前
|
人工智能 算法 测试技术
软件测试中的人工智能革命
本文深入探讨了人工智能在软件测试中的应用,揭示了这一技术革新如何改变传统的测试流程。通过分析人工智能技术的优势、具体应用案例以及面临的挑战,文章展示了AI如何提高测试效率、减少人为错误,并预测其在未来软件测试中的趋势。此外,文章还提出了针对当前挑战的解决策略,为软件测试行业的从业者提供了宝贵的参考和启示。
31 4
|
15天前
|
机器学习/深度学习 人工智能 算法
植物病害识别系统Python+卷积神经网络算法+图像识别+人工智能项目+深度学习项目+计算机课设项目+Django网页界面
植物病害识别系统。本系统使用Python作为主要编程语言,通过收集水稻常见的四种叶片病害图片('细菌性叶枯病', '稻瘟病', '褐斑病', '稻瘟条纹病毒病')作为后面模型训练用到的数据集。然后使用TensorFlow搭建卷积神经网络算法模型,并进行多轮迭代训练,最后得到一个识别精度较高的算法模型,然后将其保存为h5格式的本地模型文件。再使用Django搭建Web网页平台操作界面,实现用户上传一张测试图片识别其名称。
65 21
植物病害识别系统Python+卷积神经网络算法+图像识别+人工智能项目+深度学习项目+计算机课设项目+Django网页界面
|
15天前
|
机器学习/深度学习 人工智能 算法
鸟类识别系统Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+ResNet50算法模型+图像识别
鸟类识别系统。本系统采用Python作为主要开发语言,通过使用加利福利亚大学开源的200种鸟类图像作为数据集。使用TensorFlow搭建ResNet50卷积神经网络算法模型,然后进行模型的迭代训练,得到一个识别精度较高的模型,然后在保存为本地的H5格式文件。在使用Django开发Web网页端操作界面,实现用户上传一张鸟类图像,识别其名称。
60 12
鸟类识别系统Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+ResNet50算法模型+图像识别
|
15天前
|
机器学习/深度学习 算法 TensorFlow
交通标志识别系统Python+卷积神经网络算法+深度学习人工智能+TensorFlow模型训练+计算机课设项目+Django网页界面
交通标志识别系统。本系统使用Python作为主要编程语言,在交通标志图像识别功能实现中,基于TensorFlow搭建卷积神经网络算法模型,通过对收集到的58种常见的交通标志图像作为数据集,进行迭代训练最后得到一个识别精度较高的模型文件,然后保存为本地的h5格式文件。再使用Django开发Web网页端操作界面,实现用户上传一张交通标志图片,识别其名称。
44 6
交通标志识别系统Python+卷积神经网络算法+深度学习人工智能+TensorFlow模型训练+计算机课设项目+Django网页界面
|
11天前
|
机器学习/深度学习 人工智能 算法
【新闻文本分类识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台
文本分类识别系统。本系统使用Python作为主要开发语言,首先收集了10种中文文本数据集("体育类", "财经类", "房产类", "家居类", "教育类", "科技类", "时尚类", "时政类", "游戏类", "娱乐类"),然后基于TensorFlow搭建CNN卷积神经网络算法模型。通过对数据集进行多轮迭代训练,最后得到一个识别精度较高的模型,并保存为本地的h5格式。然后使用Django开发Web网页端操作界面,实现用户上传一段文本识别其所属的类别。
23 1
【新闻文本分类识别系统】Python+卷积神经网络算法+人工智能+深度学习+计算机毕设项目+Django网页界面平台
|
1天前
|
机器学习/深度学习 人工智能 自然语言处理
软件测试中的人工智能革命:提升测试效率与质量的新篇章
随着人工智能技术的不断成熟,其在软件测试领域的应用正逐渐改变传统测试方式。本文将探讨AI在软件测试中的应用现状、优势以及面临的挑战,并通过具体案例分析展示AI如何提高测试效率和质量。最后,我们将讨论未来AI在软件测试中的发展趋势及其对人类测试工程师角色的影响。
|
2天前
|
机器学习/深度学习 人工智能 监控
AI与未来医疗:重塑健康产业的双刃剑随着科技的迅猛发展,人工智能(AI)正以前所未有的速度融入各行各业,其中医疗领域作为关系到人类生命健康的重要行业,自然也成为AI应用的焦点之一。本文将探讨AI在未来医疗中的潜力与挑战,分析其对健康产业可能带来的革命性变化。
在医疗领域,人工智能不仅仅是一种技术革新,更是一场关乎生死存亡的革命。从诊断到治疗,从后台数据分析到前端临床应用,AI正在全方位地改变传统医疗模式。然而,任何技术的发展都有其两面性,AI也不例外。本文通过深入分析,揭示AI在医疗领域的巨大潜力及其潜在风险,帮助读者更好地理解这一前沿技术对未来健康产业的影响。
|
8天前
|
机器学习/深度学习 人工智能 自然语言处理
软件测试中的人工智能革命
本文探讨了人工智能在软件测试中的应用,包括自动化测试、智能缺陷检测和测试用例生成。通过实际案例分析,展示了AI如何提高测试效率和准确性,并讨论了未来发展趋势。
|
9天前
|
机器学习/深度学习 人工智能 监控
人工智能与未来医疗:革命性技术的崛起##
本文探讨了人工智能在医疗领域的应用及其带来的变革。通过分析AI在疾病诊断、个性化治疗、药物研发和患者管理等方面的作用,揭示了这一技术如何提高医疗效率、降低成本并改善患者体验。文章还讨论了当前面临的挑战及未来发展的前景。 ##
|
12天前
|
机器学习/深度学习 人工智能 自然语言处理
探索AI的未来:深度学习与自然语言处理的融合
【9月更文挑战第22天】本文旨在探讨AI技术中深度学习与自然语言处理的结合,以及它们如何共同推动未来技术的发展。我们将通过实例和代码示例,深入理解这两种技术如何相互作用,以及它们如何影响我们的生活和工作。
33 4
下一篇
无影云桌面