人工智能与机器学习与深度学习有什么区别

　　在过去的几年中，人工智能仍然是最热门的话题之一。为了有效地使用它，您需要了解其组成部分。
 

　　实际上，下10,000个初创公司的商业计划很容易预测：以X并添加AI。通过添加在线智能来查找可以做得更好的东西
 

　　在过去的几年中，人工智能仍然是最热门的话题之一。最好的头脑参加AI研究，最大的公司为发展该领域的能力分配天文数字，而AI初创公司每年收集数十亿美元的投资。
 

　　如果您从事业务流程改进或为您的业务寻找新的想法，那么您很可能会遇到AI。为了有效地使用它，您需要了解其组成部分。
 

　　人工智能
 

　　让我们找出人工智能到底是什么。使人类通常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。
 

　　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)工作坊的作品汇聚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 绘制图片，费用为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。
 

　　机器学习
 

　　学习的能力是智力的关键特征之一(人为而非真正的人为)。对于AI而言，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，而基于数据示例和相应结果的机器学习会发现数据中的模式，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：
 

　　1)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。

　　2)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。

　　3)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惩罚。
 

　　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。
 

　　当今的机器学习模型专注于某些任务，它们各有优缺点。这些模型包括以下几种：
 

　　1)线性回归 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。

　　2)Logistic回归 用于分类任务。它预测给定样本属于特定类别的概率。

　　3)决策树 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。

　　4)K最近邻居 是一种简单快速的方法，主要用于分类。在这种方法中，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。

　　5)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(在电子邮件中发现“免费贷款”一词20次) 。

　　6)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。

　　7)集合 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。

　　8)神经网络 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。
 

　　神经元结构图：

　　具有两个隐藏层的人工神经网络：

　　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。例如，如果一种动物是条纹的，蓬松的还有猫的叫声，则它可能是一只猫。同时，我们将最大权重分配给猫参数。因此，如果该动物不是条纹且不是蓬松的，但是有猫的叫声-它仍然可能是猫。
 

　　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;而另一些专家则认为，只有具有许多隐藏层的网络才可以视为深度网络。
 

　　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：
 

　　1)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。

　　2)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。

　　结论
 

　　那么AI，机器学习和深度学习之间有什么区别?我们希望阅读人工智能与机器学习与深度学习有什么区别后，您已经知道该问题的答案。人工智能是智能任务(例如阅读，玩Go游戏，图像识别和创建自动驾驶汽车)自动化的一般领域 。机器学习是负责AI学习能力的一组人工智能方法。深度学习是研究多层神经网络的机器学习方法的子类。
 

　　ActiveWizards是一个由数据科学家和工程师组成的团队，专门致力于数据项目(大数据，数据科学，机器学习，数据可视化)。核心专业知识领域包括数据科学(研究，机器学习算法，可视化和工程)，数据可视化(d3.js，Tableau等)，大数据工程(Hadoop，Spark，Kafka，Cassandra，HBase，MongoDB等)，以及数据密集型Web应用程序开发(RESTful API，Flask，Django，Meteor)。