實際上，下10,000家初創(chuàng)公司的商業(yè)計劃很容易預測：以X并添加AI。通過添加在線智能來查找可以做得更好的東西 - 凱文·凱利（ Kevin Kelly），不可避免：了解將塑造我們未來的12種技術(shù)力量 在過去的幾年中，人工智能仍然是最熱門的話題之一。最好的頭腦參加AI研究，最大的公司為發(fā)展該領(lǐng)域的能力分配天文數(shù)字貝葉斯網(wǎng)絡(luò)參數(shù)學習及對無人機的決策支持，而AI初創(chuàng)公司每年收集數(shù)十億美元的投資。 如果您從事業(yè)務(wù)流程改進或為您的業(yè)務(wù)尋找新的想法，那么您很可能會遇到AI。為了有效地使用它，您需要了解其組成部分。 人工智能 讓我們找出人工智能到底是什么。Fran?在他的《用進行深度學習》一書中作了簡短的描述：“努力使通常由人類執(zhí)行的智力任務(wù)自動化。因此，人工智能是一個涵蓋機器學習和深度學習的通用領(lǐng)域，但還包括許多不涉及任何學習的方法”。 例如，今天的聊天機器人ELIZA的前身是在麻省理工學院人工智能實驗室創(chuàng)建的。該程序可以與人保持長時間的對話，但是在對話過程中無法學習新單詞或糾正其行為。ELIZA的行為將使用特殊的編程語言明確指定。 現(xiàn)代意義上的人工智能歷史始于1950年代，當時艾倫·圖靈（Alan ）和達特茅斯（）工作坊的作品匯聚了該領(lǐng)域的第一批愛好者，并在其中闡述了人工智能科學的基本原理。
此外，為了成為當今世界科學的關(guān)鍵領(lǐng)域之一，該行業(yè)經(jīng)歷了利益激增和隨后的衰退（所謂的“人工智能冬天”）的幾個周期。 值得一提的是強人工智能和弱人工智能的假設(shè)。強大的AI可以獨立思考并意識到自己。弱小的AI被剝奪了這種能力，僅執(zhí)行一定范圍的任務(wù)（下棋，識別圖像中的貓咪或畫畫，價格為432,500美元）。現(xiàn)有的所有AI都很薄弱，不用擔心。 如今，很難想象沒有使用AI的任何類型的活動。無論您是開車，自拍照，在網(wǎng)上商店自己買運動鞋還是計劃假期，幾乎每個地方都有小型，薄弱但已經(jīng)非常有用的人工智能為您提供幫助。 機器學習 學習的能力是智力的關(guān)鍵特征之一（人為而非真正的人為）。對于AI來說，一系列機器學習模型對此功能負責。它們的本質(zhì)很簡單：與經(jīng)典算法不同，經(jīng)典算法是一組清晰的指令，這些指令將輸入的數(shù)據(jù)轉(zhuǎn)換為結(jié)果，基于數(shù)據(jù)示例和相應(yīng)結(jié)果的機器學習可發(fā)現(xiàn)數(shù)據(jù)中的模式，并產(chǎn)生將任意數(shù)據(jù)轉(zhuǎn)換為所需結(jié)果的算法。 機器學習主要分為三類： 監(jiān)督學習 -根據(jù)數(shù)據(jù)示例對系統(tǒng)進行訓練，每個示例均具有先前已知的結(jié)果。機器學習有兩個最受歡迎的任務(wù)：回歸和分類任務(wù)。回歸是對連續(xù)結(jié)果的預測，例如房屋價格或制造業(yè)排放水平。分類-類別（類）預測，例如，電子郵件是否是垃圾郵件，書是偵探小說還是百科全書。
無監(jiān)督學習 -系統(tǒng)在數(shù)據(jù)中查找內(nèi)部關(guān)系和模式。在這種情況下，每個示例的結(jié)果都是未知的。 強化學習 是一種方法，在該方法中，系統(tǒng)將針對正確的行為給予獎勵，而對錯誤的行為予以懲處。結(jié)果，系統(tǒng)學會開發(fā)一種算法，在該算法中，它獲得最高的報酬和最低的懲罰。 理想的機器學習模型可以分析任何數(shù)據(jù)，找到所有模式并創(chuàng)建算法以實現(xiàn)任何期望的結(jié)果。但是，尚未創(chuàng)建此理想模型。您可以在Pedro 的 “主算法”中了解其創(chuàng)建路徑。 當今的機器學習模型專門處理某些任務(wù)，它們各有優(yōu)缺點。這些模型包括以下幾種： 線性回歸 是從統(tǒng)計數(shù)據(jù)推導的經(jīng)典模型。顧名思義，它是為回歸任務(wù)而設(shè)計的，即對連續(xù)值的預測。例如，根據(jù)天氣情況，將出售多少檸檬水。 回歸 用于分類任務(wù)。它預測給定樣本屬于特定類別的可能性。 決策樹 是經(jīng)常用于分類任務(wù)的方法。在此方法中，給定對象的類定義為一系列問題，每個問題通常涉及答案是或否。 K最近鄰居 是一種簡單快速的方法，通常用于分類。在這種方法中，數(shù)據(jù)點類別由與數(shù)據(jù)點示例最相似的k（k可以是任何數(shù)字）確定。 樸素貝葉斯 （Naive Bayes）是一種流行的分類方法，它利用概率論和貝葉斯定理來確定在給定條件下某個事件（電子郵件為垃圾郵件）的可能性（在電子郵件中發(fā)現(xiàn)“免費貸款”一詞20次） 。
SVM 是一種受監(jiān)督的機器學習算法，通常用于分類任務(wù)。即使每個對象具有許多相互關(guān)聯(lián)的功能，它也可以有效地分離不同類的對象。 集合 組合了許多機器學習模型，并基于投票或平均每個模型的響應(yīng)來確定對象的類別。 神經(jīng)網(wǎng)絡(luò) 基于人腦的原理。神經(jīng)網(wǎng)絡(luò)由許多神經(jīng)元及其之間的連接組成。神經(jīng)元可以表示為具有多個輸入和一個輸出的函數(shù)。每個神經(jīng)元從輸入中獲取參數(shù)（每個輸入可能具有不同的權(quán)重，這決定了其重要性），對它們執(zhí)行特定的功能，并將結(jié)果提供給輸出。一個神經(jīng)元的輸出可以是另一神經(jīng)元的輸入。因此，形成了多層神經(jīng)網(wǎng)絡(luò)，這是深度學習的主題。我們將更詳細地討論這一點。 神經(jīng)元結(jié)構(gòu)圖： 具有兩個隱藏層的人工神經(jīng)網(wǎng)絡(luò)： 通過研究給定的示例，神經(jīng)網(wǎng)絡(luò)會調(diào)整神經(jīng)元之間的權(quán)重，以便為對獲得所需結(jié)果影響最大的神經(jīng)元賦予最大的權(quán)重。例如，如果一種動物是條紋的，蓬松的和貓叫的，那么它可能是一只貓。同時，我們將最大權(quán)重分配給喵參數(shù)。因此，如果該動物不是條紋且不是蓬松的而是貓叫的-它仍然可能是貓。 深度學習 深度學習涉及深度神經(jīng)網(wǎng)絡(luò)。關(guān)于深度的意見可能會 有所不同。一些專家認為貝葉斯網(wǎng)絡(luò)參數(shù)學習及對無人機的決策支持，如果網(wǎng)絡(luò)具有多個隱藏層，則可以將其視為深度網(wǎng)絡(luò)；而另一些專家則只有在網(wǎng)絡(luò)具有多個隱藏層的情況下，才能將其視為深度網(wǎng)絡(luò)。
現(xiàn)在有幾種類型的神經(jīng)網(wǎng)絡(luò)正在積極使用。其中最受歡迎的是以下幾種： 長短期記憶（LSTM） -用于文本分類和生成，語音識別，音樂作品生成和時間序列預測。 卷積神經(jīng)網(wǎng)絡(luò)（CNN） -用于圖像識別，視頻分析和自然語言處理任務(wù)。 結(jié)論 那么AI，機器學習和深度學習之間有什么區(qū)別？我們希望閱讀本文后，您已經(jīng)知道該問題的答案。人工智能是智能任務(wù)（例如閱讀，玩Go游戲，圖像識別和創(chuàng)建自動駕駛汽車）自動化的一般領(lǐng)域。機器學習是一組人工智能方法，它們負責AI的學習能力。深度學習是研究多層神經(jīng)網(wǎng)絡(luò)的機器學習方法的子類。. 原文出自[人工智能學習網(wǎng)] 轉(zhuǎn)載請保留原文鏈接:
