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
|
25天前
|
机器学习/深度学习 人工智能 TensorFlow
人工智能浪潮下的自我修养:从Python编程入门到深度学习实践
【10月更文挑战第39天】本文旨在为初学者提供一条清晰的道路,从Python基础语法的掌握到深度学习领域的探索。我们将通过简明扼要的语言和实际代码示例,引导读者逐步构建起对人工智能技术的理解和应用能力。文章不仅涵盖Python编程的基础,还将深入探讨深度学习的核心概念、工具和实战技巧,帮助读者在AI的浪潮中找到自己的位置。
|
8天前
|
机器学习/深度学习 人工智能 算法
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
宠物识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了37种常见的猫狗宠物种类数据集【'阿比西尼亚猫(Abyssinian)', '孟加拉猫(Bengal)', '暹罗猫(Birman)', '孟买猫(Bombay)', '英国短毛猫(British Shorthair)', '埃及猫(Egyptian Mau)', '缅因猫(Maine Coon)', '波斯猫(Persian)', '布偶猫(Ragdoll)', '俄罗斯蓝猫(Russian Blue)', '暹罗猫(Siamese)', '斯芬克斯猫(Sphynx)', '美国斗牛犬
68 29
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
|
7天前
|
机器学习/深度学习 人工智能 自然语言处理
揭秘人工智能:深度学习的奥秘与实践
在本文中,我们将深入浅出地探索深度学习的神秘面纱。从基础概念到实际应用,你将获得一份简明扼要的指南,助你理解并运用这一前沿技术。我们避开复杂的数学公式和冗长的论述,以直观的方式呈现深度学习的核心原理和应用实例。无论你是技术新手还是有经验的开发者,这篇文章都将为你打开一扇通往人工智能新世界的大门。
|
7天前
|
机器学习/深度学习 人工智能 算法
深度学习在图像识别中的革命性应用####
本文不采用传统摘要形式,直接以一段引人入胜的事实开头:想象一下,一台机器能够比人类更快速、更准确地识别出图片中的对象,这不再是科幻电影的情节,而是深度学习技术在图像识别领域带来的现实变革。通过构建复杂的神经网络模型,特别是卷积神经网络(CNN),计算机能够从海量数据中学习到丰富的视觉特征,从而实现对图像内容的高效理解和分类。本文将深入探讨深度学习如何改变图像识别的游戏规则,以及这一技术背后的原理、关键挑战与未来趋势。 ####
26 1
|
10天前
|
机器学习/深度学习 人工智能 编解码
深度学习在图像识别中的革命性进展###
近年来,深度学习技术在图像识别领域取得了显著成就,极大地推动了人工智能的发展。本文探讨了深度学习模型如何通过模拟人类视觉系统来提高图像识别的准确性和效率,并分析了几种主流的深度学习架构及其在实际应用中的表现。此外,还讨论了当前面临的挑战及未来可能的发展方向。 ###
29 4
|
12天前
|
机器学习/深度学习 人工智能 自然语言处理
揭秘AI:深度学习的奥秘与实践
本文将深入浅出地探讨人工智能中的一个重要分支——深度学习。我们将从基础概念出发,逐步揭示深度学习的原理和工作机制。通过生动的比喻和实际代码示例,本文旨在帮助初学者理解并应用深度学习技术,开启AI之旅。
|
15天前
|
机器学习/深度学习 人工智能 算法
深度学习在图像识别中的革命性进展####
近年来,深度学习技术已彻底革新了图像识别领域,实现了从量变到质变的飞跃。本文旨在探讨深度学习如何推动图像识别技术的边界拓展,通过分析其核心算法的演变、关键突破及未来趋势,揭示这一领域快速发展背后的关键因素。不同于传统摘要形式,本文将以故事化手法,简述深度学习与图像识别交织发展的历程,展现技术背后的创新火花与挑战应对。 ####
|
14天前
|
机器学习/深度学习 人工智能 自然语言处理
深入理解人工智能中的深度学习技术及其最新进展
深入理解人工智能中的深度学习技术及其最新进展
|
14天前
|
机器学习/深度学习 人工智能 自然语言处理
深入理解人工智能中的深度学习技术及其最新进展
深入理解人工智能中的深度学习技术及其最新进展
|
20天前
|
机器学习/深度学习 人工智能 监控
探索深度学习在图像识别中的革命性进展
本文旨在深入探讨深度学习技术在图像识别领域的革命性进展,特别是卷积神经网络(CNN)如何推动这一领域的快速发展。通过分析CNN的基本结构、工作原理及其在图像识别任务中的应用,本文揭示了深度学习如何克服传统方法的局限性,实现前所未有的识别精度。同时,文章还讨论了当前面临的挑战和未来发展趋势,为读者提供了一个全面而深入的视角。