人工智能 vs 机器学习 vs 深度学习的区别-阿里云开发者社区

开发者社区> DrugAI> 正文

人工智能 vs 机器学习 vs 深度学习的区别

简介: 人工智能 vs 机器学习 vs 深度学习的区别
+关注继续查看

image.png

In fact, the business plans of the next 10,000 startups are easy to forecast: Take X and add AI. Find something that can be made better by adding online smartness to it


- Kevin Kelly, The Inevitable: Understanding the 12 Technological Forces That Will Shape Our Future



image.png

Artificial Intelligence(人工智能)

FrançoisChollet在他的《用Python进行深度学习》一书中作了简短的描述:“使人类执行的智力任务自动化的努力。因此,人工智能是一个涵盖机器学习和深度学习的通用领域,但还包括许多不涉及任何学习的方法”。


例如,今天的聊天机器人ELIZA的前身是在麻省理工学院人工智能实验室创建的。该程序可以与人保持长时间的对话,但是在对话过程中无法学习新单词或纠正其行为。 ELIZA的行为将使用特殊的编程语言明确指定。


现代意义上的人工智能历史始于1950年代,当时艾伦·图灵(Alan Turing)和达特茅斯(Dartmouth)工作坊的作品汇集了该领域的第一批爱好者,并在其中阐述了人工智能科学的基本原理。此外,为了成为当今世界科学的关键领域之一,该行业经历了利益激增和随后的衰退(所谓的“人工智能冬天”)的几个周期。


值得一提的是强人工智能和弱人工智能的假设。强大的AI可以独立思考和意识到自己。弱小的AI被剥夺了这种能力,仅执行一定范围的任务(下棋,识别图像中的猫咪或画画,价格为432,500美元)。现有的所有AI都很薄弱,不用担心。


如今,很难想象没有使用AI的任何类型的活动。无论您是开车,自拍照,在网上商店自己买运动鞋还是计划假期,几乎每个地方都有小型,薄弱但已经非常有用的人工智能为您提供帮助。



Machine Learning(机器学习)

学习的能力是智力的关键特征之一。对于AI来说,一系列机器学习模型对此功能负责。它们的本质很简单:与经典算法不同,经典算法是一组清晰的指令,这些指令将输入的数据转换为结果,基于数据示例和相应结果的机器学习可发现数据中的模式,并产生将任意数据转换为所需结果的算法。


机器学习主要分为三类:

监督学习

根据数据示例对系统进行训练,每个示例均具有先前已知的结果。机器学习有两个最受欢迎的任务:回归和分类任务。回归是对连续结果的预测,例如房屋价格或制造业排放水平。分类-类别(类)预测,例如,电子邮件是否是垃圾邮件,书是侦探小说还是百科全书。


无监督学习

系统在数据中查找内部关系和模式。在这种情况下,每个示例的结果都是未知的。


强化学习

强化学习是一种方法,在该方法中,系统将针对正确的行为给予奖励,而对错误的行为予以惩罚。结果,系统学会开发一种算法,在该算法中,它获得最高的报酬和最低的罚款。


理想的机器学习模型可以分析任何数据,找到所有模式并创建算法以实现任何期望的结果。但是,尚未创建此理想模型。您可以在Pedro Domingos的“主算法”中了解其创建路径。

image.png

线性回归(Linear regression)是从统计数据推导的经典模型。顾名思义,它是为回归任务(即连续值的预测)而设计的。例如,根据天气情况,多少柠檬水将被出售。

逻辑回归(Logistic regression)用于分类任务。它预测给定样本属于特定类别的可能性。

决策树(Decision tree)是经常用于分类任务的方法。在此方法中,给定对象的类定义为一系列问题,每个问题通常涉及答案是或否。

K最近邻居(K-Nearest Neighbors)是一种简单快速的方法,主要用于分类。在此方法中,数据点类别由与数据点示例最相似的k(k可以是任何数字)确定。

朴素贝叶斯(Naive Bayes)是一种流行的分类方法,它利用概率论和贝叶斯定理来确定在给定条件下某个事件(电子邮件为垃圾邮件)的可能性(在电子邮件中找到“免费贷款”一词20次) 。

支持向量机(SVM)是一种受监督的机器学习算法,通常用于分类任务。即使每个对象具有许多相互关联的功能,它也可以有效地分离不同类的对象。

Ensembles组合了许多机器学习模型,并基于投票或平均每个模型的响应来确定对象的类别。

神经网络(Neural networks)基于人脑的原理。神经网络由许多神经元及其之间的连接组成。神经元可以表示为具有多个输入和一个输出的函数。每个神经元从输入中获取参数(每个输入可能具有不同的权重,这决定了其重要性),对它们执行特定的功能,并将结果提供给输出。一个神经元的输出可以是另一神经元的输入。因此,形成了多层神经网络,这是深度学习的主题。我们将更详细地讨论这一点。

image.png

image.png

通过研究给定的示例,神经网络会调整神经元之间的权重,以便为对获得所需结果影响最大的神经元赋予最大的权重。


Deep Learning(深度学习)

深度学习涉及深度神经网络。 关于深度的意见可能会有所不同。 一些专家认为,如果网络具有多个隐藏层,则可以将其视为深度网络;而另一些专家则只有在网络具有多个隐藏层的情况下,才能将其视为深度网络。


现在有几种类型的神经网络正在积极使用。 其中最受欢迎的是以下几种:


长短期记忆(LSTM):用于文本分类和生成,语音识别,音乐作品生成以及时间序列预测。


卷积神经网络(CNN):用于图像识别,视频分析和自然语言处理任务。


版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
《Web安全之机器学习入门》一 1.1 人工智能、机器学习与深度学习
本节书摘来自华章出版社《Web安全之机器学习入门》一 书中的第1章,第1.1节,作者:刘焱,更多章节内容可以访问云栖社区“华章计算机”公众号查看。
2028 0
阿里专家问答丨人工智能/机器学习技术在电商场景下的应用
近年来阿里不断运用深度学习、强化学习等人工智能领域的相关知识优化自身电商平台的搜索引擎和推荐系统,让其从冷冰冰的系统不断成长为越来越懂用户的智能购物助手。   淘宝和天猫已经从以人工运营为主分配流量和资源位的方式成功转变为以大数据和人工智能为导向的新方式。
3502 0
推动量子计算与 AI 融合,飞桨成为中国首个支持量子机器学习的深度学习平台
推动量子计算与 AI 融合,飞桨成为中国首个支持量子机器学习的深度学习平台
34 0
探究根源:自动决策已成为生活的一部分,那机器学习和人工智能有哪些偏见?
昨天我做了一个关于人工智能中的偏见的12分钟演讲。首先需要指出,我并不是这方面的专家,其中大部分是通过阅读相关方面的研究文章的总结。 而这篇文章就是对这个演讲的文字描述。
3538 0
《Web安全之机器学习入门》一 1.2 人工智能的发展
本节书摘来自华章出版社《Web安全之机器学习入门》一 书中的第1章,第1.2节,作者:刘焱,更多章节内容可以访问云栖社区“华章计算机”公众号查看。
1536 0
+关注
497
文章
0
问答
文章排行榜
最热
最新
相关电子书
更多
《2021云上架构与运维峰会演讲合集》
立即下载
《零基础CSS入门教程》
立即下载
《零基础HTML入门教程》
立即下载