人工智能vs.机器学习vs.深度学习

编辑:高文鑫通信科技公司- 热度:112℃

深度学习是机器学习的一个子集,而机器学习是人工智能的一个子集。这些新兴技术中的每一项都在几乎所有领域重塑IT行业的格局。

如图所示,机器学习是人工智能的一个子集。换句话说,所有的机器学习都是人工智能,但并非所有人工智能都是机器学习。

一些推荐引擎依赖于无监督的学习来告诉人们谁喜欢一部电影或一本书,可能还喜欢其他的电影或书籍。无监督的学习也可以帮助识别可能表明某人的信誉或提出保险索赔的可能性的特征。

(3)无监督学习

人工智能“包含”机器学习和深度学习

在传统的计算机编程中,开发人员通过计算机实施确切的操作,给定一组输入,系统将返回一组输出,就像人类程序员告诉它一样。

从计算机时代开始之前,科学家就被可能创造出像人类一样的机器的想法所吸引。但在过去十年中,技术进步才能使某些形式的人工智能(AI)成为现实。

相比之下,无监督学习并不依赖于人类为系统标记训练数据。相反,计算机使用聚类算法或其他数学技术来找到数据组之间的相似性。

机器学习:人工智能的关键驱动因素

人工智能初创公司渴望利用这一趋势,都急于将人工智能功能推向市场。在销售大数据分析和数据科学工具的供应商中,两种类型的人工智能变得特别受欢迎:机器学习和深度学习。

监督学习在分类应用中特别有用,例如教授机器学习系统来区分狗和猫的图片。

强化学习是最古老的机器学习类型之一,它在教授计算机如何玩游戏时非常有用。

随着系统随着时间的推移吸收更多数据,它将在任务中变得越来越好。据说这种技术是“监督的”,因为它要求人类在学习过程的前沿和之后对图像进行标记,并监督学习过程。

这些早期研究人员中的一些人认为,他们解决这些问题只需要几年时间。然而实际上,计算机硬件和软件花费了几十年才能达到可以实现图像识别、自然语言处理和机器学习等人工智能应用的程度。

强化学习对于自动驾驶汽车等应用程序也很有用,在这些应用程序中,系统可以接收有关其是否表现良好或不良的反馈,并使用该数据随时间推移而改进。

计算机擅长数学和逻辑推理,但他们很难掌握人类可以很自然地完成的其他任务。例如,人类婴儿只有几个月大时就学会识别和命名物体,但直到最近,机器才能识别图片中的物体。虽然任何一个蹒跚学步的孩子都能很容易地分辨猫和狗,但电脑实施这项任务要困难得多。事实上,验证码服务有时会使用这种类型的问题来确保特定用户是人类而不是机器人。

同样,深度学习是机器学习的一个子集。同样,所有深度学习都是机器学习,但并非所有机器学习都是深度学习。

虽然许多解决方案都带有“人工智能”、“机器学习”和/或“深度学习”标签,但这些术语的真正含义的混淆仍然存在于市场中。下图提供了这些不同技术之间关系的直观表示:

批评者指出,人工智能系统与计算机之间存在着很大的区别,前者能够分辨猫和狗之间的区别,并与人类一样具有真正的智能。大多数研究人员认为,人们离创造一种人工通用智能(也叫强人工智能)还有几年甚至几十年的时间,这种人工智能似乎和人类一样有意识,如果可能创造出这样一个系统的话。

(1)强化学习

然而,这些图形处理单元(GPU)也擅长深度学习所需的计算类型。随着图形处理单元(GPU)性能的提高和成本的降低,人们已经能够创建高性能系统,可以在更短的时间内完成深度学习任务,并且成本远低于过去的情况。

在20世纪50年代,科学家们开始讨论如何让机器像人类一样“思考”。 1956年,约翰·麦卡锡组织了一次关于这一主题的会议,“人工智能”这一术语进入了词典。那些参加的专家呼吁更多地研究“关于学习的每一个方面或智力的任何其他特征原则上都可以被如此精确地描述,以至于可以制造一台机器来模拟它的猜想。”

相关文章

友情链接: 织梦CMS官方  DedeCMS维基手册  织梦技术论坛