人工智能與機器學(xué)習(xí)與深度學(xué)習(xí)

IDEAL PLACE

人工智能包含了機器學(xué)習(xí)和深度學(xué)習(xí)。你可以在圖中看到，機器學(xué)習(xí)是人工智能的子集，深度學(xué)習(xí)是機器學(xué)習(xí)的子集。所以人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)這三者的關(guān)系就像爺爺、父親與兒子。

人工智能一詞最早出現(xiàn)于 1956 年，但為什么到現(xiàn)在人工智能還能越來越流行?這是因為數(shù)據(jù)量的巨大增長、先進的算法以及計算能力和存儲的改進。

多年之前我們所擁有的數(shù)據(jù)不足以預(yù)測準確的結(jié)果，但是現(xiàn)在我們的數(shù)據(jù)量有了巨大的增長，一切就變得不同了。統(tǒng)計數(shù)據(jù)表明，到 2020 年，大數(shù)據(jù)的累積量已增加 44 萬億 GB 的數(shù)據(jù)。

現(xiàn)在我們已經(jīng)有更先進的算法和高端的計算能力和存儲來處理如此大量的數(shù)據(jù)。因此，預(yù)計有更多的企業(yè)在未來會應(yīng)用到人工智能。

什么是人工智能?

IDEAL PLACE

“人工智能是一種允許機器通過復(fù)制他們的行為和本性來像人類一樣行動的技術(shù)?！?/p>

人工智能使機器可以從他們的經(jīng)驗中學(xué)習(xí)，機器根據(jù)新的輸入調(diào)整它們的響應(yīng)，從而通過處理大量數(shù)據(jù)并識別其中的模式來執(zhí)行類似人類的任務(wù)。

你可以認為建造人工智能就像建造一座教堂。

第一座教堂用了幾代人的時間才完成，所以大多數(shù)在上面工作的工人都沒有看到最終的成品，但這并不意味著他們所做的事情是無用的。相反，那些為建造教堂添磚加瓦的人為他們的手藝感到自豪，他們建造磚塊和鑿石頭，這些石頭將被放置到偉大的結(jié)構(gòu)中。因此，作為 AI 研究人員，我們應(yīng)該將自己視為謙虛的磚匠，他們的工作是研究如何構(gòu)建組件(例如解析器、規(guī)劃器、學(xué)習(xí)算法等)，總有一天有人會在某個地方將其集成到智能系統(tǒng)中。

我們?nèi)粘Ｉ钪腥斯ぶ悄艿囊恍├邮翘O果的 Siri、阿爾法狗、特斯拉的自動駕駛汽車等等。這些示例基于深度學(xué)習(xí)和自然語言處理。

接下來讓我們討論機器學(xué)習(xí)，看看它是什么以及它有什么作用。

機器學(xué)習(xí)出現(xiàn)于 80 年代末和 90 年代初。但是，為什么會出現(xiàn)機器學(xué)習(xí)?創(chuàng)造它是為了解決什么問題呢

什么是機器學(xué)習(xí)?

IDEAL PLACE

“機器學(xué)習(xí)是人工智能的一個子集。它允許機器根據(jù)其經(jīng)驗(數(shù)據(jù))學(xué)習(xí)和做出預(yù)測“。

通過示例了解機器學(xué)習(xí)：

假設(shè)您想創(chuàng)建一個系統(tǒng)，該系統(tǒng)可以根據(jù)身高預(yù)測一個人的體重。您要做的第一件事是收集數(shù)據(jù)。以下就是您收集的數(shù)據(jù)的樣子：

圖表上的每個點代表一個數(shù)據(jù)點。首先，我們可以畫一條簡單的線來根據(jù)身高預(yù)測體重。例如，一個簡單的公式：

W = H - 100

其中 W 是以 kg 為單位的體重，H 是以 cm 為單位的身高。

這條線可以幫助我們做出預(yù)測。我們的主要目標是減少預(yù)測值和實際值之間的差異。因此，為了實現(xiàn)它，我們嘗試繪制一條直線來擬合所有這些不同的點，并將誤差最小化并使它們盡可能小。減少誤差或?qū)嶋H值與估計值之間的差異可以提高性能。

此外，我們收集的數(shù)據(jù)點越多，我們的模型就會越好。我們還可以通過添加更多變量(例如性別)并為它們創(chuàng)建不同的預(yù)測線來改進我們的模型。一旦線被創(chuàng)建，那么在未來，如果一個新的數(shù)據(jù)(例如一個人的身高)被輸入模型，它會很容易地為你預(yù)測數(shù)據(jù)并告訴他預(yù)測的體重。

希望這個簡單的例子能夠讓你對機器學(xué)習(xí)有一個清晰的了解。接下來，讓我們了解深度學(xué)習(xí)。

什么是深度學(xué)習(xí)?

IDEAL PLACE

“深度學(xué)習(xí)是一種特殊的機器學(xué)習(xí)，它通過學(xué)習(xí)將世界表示為概念或抽象的嵌套層次結(jié)構(gòu)來實現(xiàn)強大的功能和靈活性”

您可以將深度學(xué)習(xí)模型視為火箭發(fā)動機，其燃料是我們提供給這些算法的大量數(shù)據(jù)。

深度學(xué)習(xí)的概念并不新鮮，但近幾年對它它的炒作有所增加，深度學(xué)習(xí)也越來越受到關(guān)注。這個領(lǐng)域是一種特殊的機器學(xué)習(xí)，它的靈感來自我們稱為人工神經(jīng)網(wǎng)絡(luò)的腦細胞的功能。它只是獲取所有人工神經(jīng)元之間的數(shù)據(jù)連接，并根據(jù)數(shù)據(jù)模式對其進行調(diào)整，如果數(shù)據(jù)量很大，則需要更多的神經(jīng)元。它自動在多個抽象級別進行學(xué)習(xí)，從而允許系統(tǒng)在不依賴任何特定算法的情況下學(xué)習(xí)復(fù)雜的函數(shù)映射。

讓我從以下幾個簡單的例子開始學(xué)習(xí)，它們解釋了深度學(xué)習(xí)在概念層面上是如何工作的。

示例 1：

讓我們想象一下，您的大腦是如何從各種幾何形狀中識別出正方形的。

首先第一件事是檢查這個圖形是否有 4 條線(很簡單吧!)。如果是，我們進一步檢查它們是否連接和閉合，如果是，我們最終檢查它是否垂直并且所有邊都相等，這樣我們的大腦就能夠判斷出這個圖形是不是正方形了(完美!)。

可以看到，我們大腦所做的工作是將識別正方形的復(fù)雜任務(wù)分解為一個個更簡單的任務(wù)。深度學(xué)習(xí)的原理與此相同，也能做到這一點，甚至規(guī)模更大。

示例 2：

讓我們再舉一個讓機器識別動物的例子。機器的任務(wù)是識別給定圖像是貓還是狗。

如果我們使用機器學(xué)習(xí)來解決同樣的問題，應(yīng)該怎么做呢?首先，我們將定義特征，例如檢查動物是否有胡須，或檢查動物是否有尖耳朵，或者它的尾巴是直的還是彎曲的。

簡而言之，我們將定義面部特征，讓系統(tǒng)識別哪些特征在對特定動物進行分類時更為重要。

而深度學(xué)習(xí)更加先進。與必須由我們手動提供面部特征的機器學(xué)習(xí)相比，深度學(xué)習(xí)會自動尋找面部特征，不需要人們手動定義特征了。這是深度學(xué)習(xí)最明顯的提升。

文章到此為止，我想您應(yīng)該已經(jīng)清楚人工智能是一個更大的宏圖，而機器學(xué)習(xí)和深度學(xué)習(xí)是它的子部分。如果要總結(jié)機器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別，那么理解兩者之間區(qū)別的最簡單方法就是，深度學(xué)習(xí)就是機器學(xué)習(xí)。更具體地說，深度學(xué)習(xí)是機器學(xué)習(xí)下一階段的發(fā)展。