人工智能、机器学习、深度学习之间有何关系?

描述

说到近些年的火热名词,“人工智能”必须榜上有名。随着去年ChatGPT爆火出圈,“AI(Artificial Intelligence,人工智能)”屡次霸屏热搜榜,并被英国词典出版商柯林斯评为2023年的年度词。

除了“人工智能”,我们还经常听到“机器学习”、“深度学习”…… 这些术语都是啥意思?它们之间有什么关系呢?

人工智能——Artificial Intelligence

说到人工智能,大家的第一反应可能是科幻电影里那些拥有人类智慧的机器人,但实际上,人工智能可不仅仅是机器人哦。

人工智能是由约翰·麦卡锡(John McCarthy)于1956年提出来的,当时的定义是“制造智能机器的科学与工程”。 现在的人工智能是指“研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学”。 总结一下:人工智能就是让机器能够模拟人类的思维能力,让机器能像人一样去感知、思考甚至决策。 时至今日,人工智能已经不再是一门单纯的学科,而是涉及了计算机、心理学、语言学、逻辑学、哲学等多个学科的交叉领域。

人工智能看起来是高深的科技,实际上是一个覆盖范围很广的概念。我们的身边,早就有了各种人工智能,例如:自动驾驶、人脸识别、智能机器人、机器翻译等等。

面对多种多样的人工智能,我们按照人工智能的实力,可将其分成三类:

弱人工智能(Artificial Narrow Intelligence,ANI)

擅长于某个方面的人工智能,只能执行特定的任务。 例如,人脸识别系统就只能识别图像,你要是问它明天天气怎么样,它可不知道怎么回答。

强人工智能(Artificial General Intelligence,AGI)

类似于人类级别的人工智能,能够在多个领域表现出类似于人的智慧,能理解、学习和执行各种任务。 强人工智能也叫通用人工智能(Artificial General Intelligence,AGI)。 ChatGPT之所以是划时代的进展,就是因为它能写诗能做数学题还能编代码,已经基本可以被称作强人工智能了。

超人工智能(Artificial Superintelligence,ASI)

超越人类智慧的人工智能,在各个领域都比人类聪明,可以执行任何智力任务并且在许多方面超越人类。 尽管超人工智能在科幻作品中经常出现,但在实际中只是一个理论概念,目前还没有实现的可能。

说到这里,问大家一个问题,打败围棋世界冠军的AlphaGo属于什么人工智能呢?

机器学习——Machine Learning

前面提到,人工智能的目的是让机器能够像人一样思考并决策,到底如何实现呢?

回想一下,我们刚出生时基本上什么都不会,经过了几十年的学习,我们学会了各种知识、技能。 机器也是一样的,要让它会思考,就要让它先学习,从经验中总结规律,进而拥有一定的决策和辨别能力,这就是人工智能的核心——机器学习。

机器学习专门研究计算机怎样模拟或实现人类的学习行为,通过学习获取新的知识、技能,从而重新组织已有的知识结构,不断改善自身性能。

机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、算法复杂度理论等多门学科。

  机器学习

机器是怎样学习的呢?我们先来看一下人的学习过程:

上课:学习理论知识,进行知识输入

总结复习:通过复习,强化理解

梳理知识框架:整理知识,形成体系

课后作业:通过练习,进一步加深理解

每周测验:检查掌握情况

查漏补缺:改善学习方法

期末考试:检查最终学习成果

机器的学习过程也是类似的,包括以下7个步骤:

数据获取:收集相关的数据

数据处理:对数据进行转换,统一数据格式

模型选择:选择适合的算法

模型训练:使用数据训练模型,优化算法

模型评估:根据预测结果评估模型性能

模型调整:调整模型参数,优化模型性能

模型预测:对未知结果数据进行预测

简而言之,机器学习就是从数据中通过算法自动归纳逻辑或规则,并根据归纳的结果与新数据来进行预测。

举个例子,如果我们想让计算机看到狗时能判断出是狗,就需要给计算机展示大量狗的图片,同时告诉它这就是狗。 经过大量的训练,计算机会总结出一定的规律,当下次看到狗时,捕捉到对应的特征,得出“这是狗”的结论。 如果算法不够完善,可能会把猫误认为狗,这就需要计算机通过经验数据自动改进算法,从而增强预测能力。

按照学习方式,机器学习可分为以下四类:

监督学习

从有标记的数据中学习,即数据中包含自变量和因变量,通过学习已知的输入和输出数据来进行预测,如分类任务和回归任务。

分类任务:预测数据所属的类别,如垃圾邮件检测 、识别动植物类别等。

回归任务:根据先前观察到的数据预测数据,如房价预测,身高体重预测等。

无监督学习

分析没有标签的数据,即数据中只有自变量没有因变量,发现数据的规律,如聚类、降维等。

聚类:把相似的东西聚在一起,并不关注这类东西是什么,如客户分组。

降维:通过提取特征,将高维数据压缩用低维表示,如将汽车的里程数和使用年限合并为磨损值。

半监督学习

训练数据只有部分有标记,先使用无监督学习对数据进行处理,再用监督学习对模型进行训练和预测。 例如手机可以识别同一个人的照片(无监督学习),当把同一个人的照片打上标签后,之后新增的这个人的照片也会自动加上对应的标签(监督学习)。

强化学习

通过与环境进行交互,根据奖励或惩罚来优化算法,直到获得最大奖励,产生最优策略。例如扫地机器人撞到障碍物后,会优化清扫路径。

深度学习——Deep Learning

通过上面的了解,相信大家对机器学习已经不陌生了。那么深度学习又是个啥?跟机器学习有什么关系?

深度学习是机器学习领域的一个新的研究方向,是一种通过多层神经网络来学习和理解复杂数据的算法。 机器通过学习样本数据的深层表示来学习复杂任务,最终能够像人一样具有分析学习能力,能够识别文字、图像和声音等。

深度学习使用了神经网络结构,神经网络的长度称为模型的“深度”,因此基于神经网络的学习被称为“深度学习”。 神经网络模拟了人类大脑的神经元网络,神经元节点可以对数据进行处理和转换。通过多层神经网络,数据的特征可以被不断地提取和抽象,从而使机器能更好地解决各种问题。

机器学习

典型的深度学习算法有以下四种类型:

卷积神经网络(Convolutional Neural Network,CNN):常用于图像识别和分类任务。

递归神经网络(Recurrent Neural Network,RNN):适用于处理序列数据,如自然语言处理。  

长短期记忆网络(Long Short-Term Memory,LSTM):一种特殊的RNN结构,能够更好地处理长序列数据。

生成对抗网络(Generative Adversarial Network,GAN):用于生成新的数据,如图像、音频或文本。

在深度学习的加持下,人工智能得以快速发展,相信在不久的将来,我们将拥有一个全新的AI时代。

结束语

总结一下:

“人工智能”是一个广泛的概念,目的是让机器像人一样思考和执行任务。

“机器学习”是实现人工智能的一种方法,目的是从数据中学习规律,传统的机器学习需要人工确定数据特征。

“深度学习”是机器学习的一个特定分支,基于神经网络,能够自动学习数据特征。




审核编辑:刘清

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分