人工智能-机器学习-深度学习的区别与联系

　　AI，机器学习，深度学习，这些术语使很多人感到困惑。如果您也是其中之一，那么人工智能-机器学习-深度学习的区别与联系– AI vs Machine Learning vs Deep Learning绝对适合您。
 

　　人工智能，机器学习与深度学习
 

　　人工智能是机器学习和深度学习应运而生的广阔领域。您还可以在图中看到，即使深度学习也是机器学习的子集。因此，人工智能，机器学习和深度学习这三者都是彼此的子集。因此，让我们继续前进，了解它们之间到底有何不同。

 

　　从人工智能开始
 

　　人工智能一词最早是在1956年创造的，但是为什么如今人工智能变得越来越流行呢?嗯，这是因为数据量，高级算法的巨大增加以及计算能力和存储的改进。
 

　　我们拥有的数据不足以预测准确的结果。但是现在，数据量有了巨大的增长。统计数据表明，到2020年，大数据的累积量将从4.4 ZB增加到大约44 ZB或44万亿GB GB。
 

　　现在，我们甚至拥有可以处理如此大量数据的更高级算法，高端计算能力和存储。因此，预计未来12个月将有70%的企业实施AI，高于2016年的40%和2017年的51%。
 

　　什么是人工智能?
 

　　人工智能是一种技术，它可以通过复制机器的行为和性质使机器像人类一样工作。
 

　　人工智能使机器有可能从他们的经验中学习。这些机器根据新的输入来调整其响应，从而通过处理大量数据并识别其中的模式来执行类似人类的任务。
 

　　AI用类比解释：建造教堂
 

　　您可以考虑建立人工智能就像建立教堂。

 

　　最初的教堂花了几代人的时间才能完成，所以在它上面工作的大多数工人从未见过最终的结果。从事此工作的人以自己的技艺为傲，他们建造了砖块和凿石，这些砖块将被安置在大建筑物中。因此，作为AI研究人员，我们应该将自己视为谦虚的制砖人，他们的工作是研究如何构建有一天某处某个地方将集成到智能系统中的组件(例如解析器，规划器，学习算法等)。
 

　　人工智能在我们日常生活中的一些例子包括Apple的Siri，下象棋的计算机，特斯拉的无人驾驶汽车等等。这些示例基于深度学习和自然语言处理。
 

　　好吧，这是关于什么是AI及其如何获得炒作。因此，继续前进，让我们讨论一下机器学习，看看它是什么，以及为什么引入它。
 

　　机器学习起源于80年代末和90年代初。 但是，使机器学习诞生的人们所面临的问题是什么?
 

　　统计数据：如何有效地训练大型复杂模型?
 

　　计算机科学与人工智能：如何训练更强大的AI系统版本?
 

　　神经科学：如何设计大脑的运作模型?
 

　　什么是机器学习?
 

　　机器学习是人工智能的子集。它允许机器根据其经验(数据)学习并做出预测
 

　　通过示例了解机器学习
 

　　假设您要创建一个系统，该系统可以根据其身高预测一个人的预期体重。您要做的第一件事是收集数据。让我们说这是您的数据的样子：

 

　　图上的每个点代表一个数据点。首先，我们可以画一条简单的线来根据身高预测体重。例如，简单的一行：
 

　　W = H – 100
 

　　W是重量(公斤)，H是高度(厘米)
 

　　这条线可以帮助我们做出预测。我们的主要目标是减少估计值和实际值之间的差异。因此，为了实现这一目标，我们尝试绘制一条适合所有这些不同点的直线，并将误差最小化并使其尽可能小。减少误差或实际值与估计值之间的差会提高性能。
 

　　此外，我们收集的数据点越多，我们的模型就会变得越好。我们还可以通过添加更多变量(例如性别)并为其创建不同的预测线来改进模型。一旦创建了直线，那么将来，如果将新数据(例如人的身高)输入模型，它将很容易为您预测数据并告诉他预测的体重。
 

　　希望您对机器学习有一个清晰的了解。因此，继续前进，让我们学习深度学习。
 

　　什么是深度学习?
 

　　深度学习是一种特殊的机器学习，通过学习将世界表示为概念或抽象的嵌套层次结构，可以实现强大的功能和灵活性。
 

　　您可以将深度学习模型视为火箭发动机，其燃料是我们提供给这些算法的大量数据。
 

　　深度学习的概念并不新鲜。但是最近它的炒作增加了，深度学习越来越受到关注。这个领域是一种特殊的机器学习，它受我们称为人工神经网络的脑细胞功能的启发。它只是简单地获取所有人工神经元之间的数据连接，并根据数据模式进行调整。如果数据量很大，则需要更多的神经元。它自动在多个抽象级别进行学习，从而使系统无需依赖任何特定算法即可学习复杂的函数映射。
 

　　通过类比了解深度学习
 

　　让我从一个简单的示例开始，该示例解释概念上的工作方式。
 

　　范例1：
 

　　让我们尝试了解您如何识别其他形状的正方形。

 

　　第一件事是检查是否有4条线与一个图形关联(简单概念正确!)。如果是，我们将进一步检查它们是否已连接和闭合，如果是，我们将再次检查它是否垂直并且其所有侧面都相等 (正确!)。好吧，这不过是概念的嵌套层次结构。
 

　　我们所做的是，在这种情况下，我们承担了识别正方形的复杂任务，并将其分解为更简单的任务。现在，该深度学习也可以这样做，但规模更大。
 

　　范例2：
 

　　让我们以识别动物的机器为例。机器的任务是识别给定的图像是猫还是狗。

 

　　如果要求我们使用机器学习的概念来解决同一问题该怎么办?首先，我们将定义特征，例如检查动物是否有胡须，或检查动物是否有尖耳朵或尾巴是否笔直或弯曲。
 

　　简而言之，我们将定义面部特征，并让系统识别哪些特征在对特定动物进行分类中更重要。
 

　　现在谈到深度学习。这将向前迈出了一步。与我们必须手动提供功能的机器学习相比，深度学习会自动找出对于分类很重要的功能。
 

　　到现在为止，AI与机器学习与深度学习已经使您清楚地认识到AI是一幅更大的图景，而机器学习和深度学习是它的子部分，因此总结一下，我会说这是理解两者之间差异的最简单方法机器学习和深度学习就是要知道，深度学习就是机器学习。更具体地说，这是机器学习的下一个发展。