两分钟理解人工智能机器学习和深度学习之间的区别

原标题:两分钟，了解人工智能、机器学习和深度学习的区别

人工智能、机器学习和深度学习——。很容易将这些术语混淆在一起，因此我们将从一些简短的定义中介绍本文。

人工智能意味着让计算机以某种方式模仿人类行为。

机器学习是人工智能的一个子集。它包括使计算机能够从数据中发现问题并交付人工智能应用的技术。

同时，深度学习是机器学习的一个子集，它使计算机能够解决更复杂的问题。

人工智能、机器学习和深度学习之间的区别将通过一些简单易懂的例子来简要解释。

一、什么是人工智能?

人工智能作为一门学科于1956年在美国创立。那时，目标和现在一样。它是让计算机执行被认为是人类独有的任务:需要智能的任务。最初，研究人员研究的问题包括下棋和解决逻辑问题。如果你看看跳棋的输出，你会发现隐藏在这些动作背后的某种形式的“人工智能”，尤其是当电脑打败你的时候。早期的成功使得第一批研究人员对人工智能的可能性表现出几乎无限的热情，这仅仅与他们错误判断某些问题有多困难的程度相匹配。因此，人工智能是指计算机的输出。计算机正在做一些智能的事情，所以它显示了人工智能。

人工智能现在被更多地描述为构建智能计算机程序来执行这些任务:视觉感知、语音识别和情感分析。例如，一个人开车需要电脑有视觉感知能力，Siri等应用需要语音识别。术语“人工智能”并没有解释这些问题是如何解决的。有许多不同的技术，包括常规和专业系统。一种技术在20世纪80年代开始被广泛使用:机器学习。

这些早期研究人员发现一些问题更加困难的原因是这些问题根本不适合人工智能中使用的早期技术。硬编码算法或固定的基于规则的系统在图像识别或从文本中提取内容方面表现不佳。结果表明，解决方法不仅是模仿人类行为，而且是模仿人类的学习方法。

二、机器学习是什么?

想想你是如何学会阅读的。在拿起你的第一本书之前，如果你不坐下来学习拼写和语法，你只能读简单的书。随着时间的推移，你会读到更复杂的书。事实上，你已经从阅读中学到了拼写和语法规则。换句话说，你已经处理了大量的数据并从中吸取了教训。

这是机器学习的理念。机器学习是人工智能的核心驱动力。简而言之，它是通过算法找到有趣的数据内容的过程，而不需要编写代码来解决特定的问题。换句话说，这是一种让计算机用最少的编程从数据中学习的方法。您只需要向机器提供数据，而不是编写代码，机器将根据数据构建自己的逻辑功能。那么这在实践中是如何工作的呢？一切都从“训练数据”开始。您向数据模型提供一组数据来帮助它进行训练。您为模型提供的数据越多，它就越健壮。当您向机器学习模型提供训练数据时，这些数据由一组属性和特征定义。机器学习模型决定了如何理解所有这些属性。通过在算法中输入大量数据(而不是你的大脑)来弄清楚。向算法中输入大量关于金融交易的数据，告诉它哪些是欺诈行为，并让它找出哪些是欺诈行为，从而预测未来的欺诈行为。或者给它关于你的客户群的信息，让它找到最好的细分方法。

随着这些算法的发展，它们可以解决许多问题。然而，有些人认为简单的事情(如语音或手写识别)对机器来说仍然非常困难。然而，如果机器学习是模仿人类学习，为什么不直接模仿人类大脑呢？这是神经网络背后的想法。

使用人工神经元(由突触连接的神经元是大脑中的主要元素)的想法已经存在了一段时间。软件模拟的神经网络正开始被用于解决一些问题。它们显示出解决其他算法无法解决的复杂问题的巨大潜力。

然而，机器学习仍然受困于甚至许多小学生都能轻松解决的问题。例如，这张照片中有多少只狗和多少只狼？如何区分生香蕉和熟香蕉？是什么让书中的这个角色哭得这么厉害？

事实证明，这个问题与机器学习的概念甚至模仿人脑的想法都没有关系。这只是一个简单的神经网络，有100个甚至1000个神经元以相对简单的方式连接在一起，但它不能复制人脑的功能。如果你仔细考虑一下，你不应该感到惊讶:人类大脑有大约860亿个神经元，它们非常复杂地相互连接。

三、什么是深度学习?

简而言之，深度学习是使用包含更多神经元、层和互连的神经网络。要模拟人脑的复杂性，我们还有很长的路要走，但是我们正在朝着这个方向前进。

当你读到计算机技术的进步，从自动驾驶汽车到玩围棋的超级计算机到语音识别，你会发现这实际上是一种隐藏的深度学习。你将体验某种形式的人工智能。在幕后，人工智能是由某种形式的深度学习驱动的。

让我们来看几个问题，看看深度学习与简单的神经网络或其他形式的机器学习有何不同。

深度学习的原理

深入学习可以自动学习有噪声的数据(read: unstructured)，这样算法可以更有效地学习。它还可以:

使用复杂的算法来执行任务和学习，很少或没有人监督。

学习如何学习。例如，谷歌利用深度学习不断增强照片中的面部识别。

如果我给你一些马的图像，你会认出它们是马，即使你从未见过那幅图像。不管马是躺在沙发上还是在万圣节装扮成河马。你可以认出马，因为你知道定义马:的各种元素，它的鼻口形状，腿的数量和位置，等等。

深入学习可以做到这一点。这对很多事情都很重要，包括自动驾驶汽车。在汽车决定下一步行动之前，它需要知道它周围是什么。它必须能够识别人、自行车、其他车辆、路标等。在充满挑战的视觉环境中这样做。然而，标准的机器学习技术不能做到这一点。

以自然语言处理为例

自然语言处理(NLP)是一种机器学习形式，它通过在大量数据中查找行为模式来识别语言和许多用法和语法规则。它可以:

进行情感分析，算法在社交媒体帖子中寻找行为模式，以了解顾客对特定品牌或产品的感受。

语音识别，提供从“收听”到基于音频的生成的文本文件。

问答答案，通常带有这些问题的具体答案(例如，4的平方根是多少？)以及如何处理更复杂和开放的问题将在未来讨论。

当聊天机器人和智能手机语音助手使用自然语言处理时，思考下面的句子并填空:

我出生在意大利，虽然我大部分时间住在葡萄牙和巴西，但我仍然能说流利的_ _ _ _ _ _ _。

我希望你能发现最有可能的答案是意大利语(尽管你能回答法语、希腊语、德语等)。)。但是想想得出这个结论需要什么。

首先，你需要知道空白处的单词是一种语言。如果你能理解“我能说一口流利的……”你可以肯定。要用意大利语得到答案，你必须复习这句话，不要被葡萄牙和巴西搞糊涂了。“我出生在意大利”意味着我在成长过程中学会了意大利语(根据维基百科，93%的概率)，所以你需要理解“出生”的含义。虽然“仍然”和“仍然”的组合清楚地表明我不会说葡萄牙语，但我会带你回意大利。所以意大利语是一个可能的答案。

想象一下你大脑中的神经网络发生了什么。“出生在意大利”和“尽管……仍然”等事实是你做事时大脑其他部分的输入。这个概念是通过一个复杂的反馈回路引入深层神经网络的。