人工智能、机器学习、深度学习有什么区别?

yizhihongxing

人工智能机器学习深度学习,这些术语让很多人感到困惑。如果您也是其中之一,那么这篇博客绝对适合您。

人工智能与机器学习与深度学习

人工智能包含了机器学习和深度学习。你可以在图中看到,机器学习是人工智能的子集,深度学习是机器学习的子集。所以人工智能、机器学习和深度学习这三者的关系就像爷爷、父亲与儿子。

AI-vs-ML-vs-Deep-Learning

什么是人工智能?

人工智能一词最早出现于 1956 年,但为什么到现在人工智能还能越来越流行?这是因为数据量的巨大增长、先进的算法以及计算能力和存储的改进。

多年之前我们所拥有的数据不足以预测准确的结果,但是现在我们的数据量有了巨大的增长,一切就变得不同了。统计数据表明,到 2020 年,大数据的累积量已增加 44 万亿 GB 的数据。

现在我们已经有更先进的算法和高端的计算能力和存储来处理如此大量的数据。因此,预计有更多的企业在未来会应用到人工智能。

什么是人工智能?

“人工智能是一种允许机器通过复制他们的行为和本性来像人类一样行动的技术。”

人工智能使机器可以从他们的经验中学习,机器根据新的输入调整它们的响应,从而通过处理大量数据并识别其中的模式来执行类似人类的任务。

你可以认为建造人工智能就像建造一座教堂。

shutterstock_52120489-450x300

第一座教堂用了几代人的时间才完成,所以大多数在上面工作的工人都没有看到最终的成品,但这并不意味着他们所做的事情是无用的。相反,那些为建造教堂添砖加瓦的人为他们的手艺感到自豪,他们建造砖块和凿石头,这些石头将被放置到伟大的结构中。因此,作为 AI 研究人员,我们应该将自己视为谦虚的砖匠,他们的工作是研究如何构建组件(例如解析器、规划器、学习算法等),总有一天有人会在某个地方将其集成到智能系统中。

我们日常生活中人工智能的一些例子是苹果的 Siri、阿尔法狗、特斯拉的自动驾驶汽车等等。这些示例基于深度学习和自然语言处理。

接下来让我们讨论机器学习,看看它是什么以及它有什么作用。

机器学习出现于 80 年代末和 90 年代初。 但是,为什么会出现机器学习?创造它是为了解决什么问题呢?

什么是机器学习?

“机器学习是人工智能的一个子集。它允许机器根据其经验(数据)学习和做出预测“

通过示例了解机器学习:

Linear-Regression-473x300

假设您想创建一个系统,该系统可以根据身高预测一个人的体重。您要做的第一件事是收集数据。以下就是您收集的数据的样子:

图表上的每个点代表一个数据点。首先,我们可以画一条简单的线来根据身高预测体重。例如,一个简单的行:

W = H - 100

其中 W 是以 kg 为单位的体重,H 是以 cm 为单位的身高。

这条线可以帮助我们做出预测。我们的主要目标是减少预测值和实际值之间的差异。因此,为了实现它,我们尝试绘制一条直线来拟合所有这些不同的点,并将误差最小化并使它们尽可能小。减少误差或实际值与估计值之间的差异可以提高性能。

此外,我们收集的数据点越多,我们的模型就会越好。我们还可以通过添加更多变量(例如性别)并为它们创建不同的预测线来改进我们的模型。一旦线被创建,那么在未来,如果一个新的数据(例如一个人的身高)被输入模型,它会很容易地为你预测数据并告诉他预测的体重。

希望这个简单的例子能够让你对机器学习有一个清晰的了解。接下来,让我们了解深度学习。

什么是深度学习?

“深度学习是一种特殊的机器学习,它通过学习将世界表示为概念或抽象的嵌套层次结构来实现强大的功能和灵活性”

您可以将深度学习模型视为火箭发动机,其燃料是我们提供给这些算法的大量数据。

深度学习的概念并不新鲜,但近几年对它它的炒作有所增加,深度学习也越来越受到关注。这个领域是一种特殊的机器学习,它的灵感来自我们称为人工神经网络的脑细胞的功能。它只是获取所有人工神经元之间的数据连接,并根据数据模式对其进行调整,如果数据量很大,则需要更多的神经元。它自动在多个抽象级别进行学习,从而允许系统在不依赖任何特定算法的情况下学习复杂的函数映射。

Square-Analogy-AI-vs-Machine-Learning-vs-Deep-Learning-Edureka-421x300

让我从以下几个简单的例子开始学习,它们解释了深度学习在概念层面上是如何工作的。

示例 1:

让我们想象一下,您的大脑是如何从各种几何形状中识别出正方形的。

首先第一件事是检查这个图形是否有 4 条线(很简单吧!)。如果是,我们进一步检查它们是否连接和闭合,如果是,我们最终检查它是否垂直并且所有边都相等,这样我们的大脑就能够判断出这个图形是不是正方形了(完美!)。

可以看到,我们大脑所做的工作是将识别正方形的复杂任务分解为一个个更简单的任务。深度学习的原理与此相同,也能做到这一点,甚至规模更大。

示例 2:

让我们再举一个让机器识别动物的例子。机器的任务是识别给定图像是猫还是狗。

cat-vs-dog

如果我们使用机器学习来解决同样的问题,应该怎么做呢?首先,我们将定义特征,例如检查动物是否有胡须,或检查动物是否有尖耳朵,或者它的尾巴是直的还是弯曲的。

简而言之,我们将定义面部特征,让系统识别哪些特征在对特定动物进行分类时更为重要。

深度学习更加先进。与必须由我们手动提供面部特征的机器学习相比,深度学习会自动寻找面部特征,不需要人们手动定义特征了。这是深度学习最明显的提升。

文章到此为止,我想您应该已经清楚人工智能是一个更大的宏图,而机器学习和深度学习是它的子部分。如果要总结机器学习和深度学习的区别,那么理解两者之间区别的最简单方法就是,深度学习就是机器学习。更具体地说,深度学习是机器学习下一阶段的发展。

本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:人工智能、机器学习、深度学习有什么区别? - Python技术站

(0)
上一篇 2022年12月2日 下午8:43
下一篇 2022年12月4日 上午11:11

相关文章

  • 谷歌AI良心开源:一部手机就能完成3D目标检测,还是实时的那种

    关注上方“深度学习技术前沿”,选择“星标公众号”, 资源干货,第一时间送达! 来源:量子位@微信公众号 导读: 昨天,谷歌开源了能在移动设备上实时计算面向对象的3D边界框的MediaPipe Objectron,这一研究使得在移动端设备上实时地确定物体的位置、方向和大小成为可能。 在2D图像中做3D目标检测很难? 现在,拿着一部手机就能做到,还是实时的那种。…

    2023年4月8日
    00
  • 万字详解什么是生成对抗网络GAN

    摘要:这篇文章将详细介绍生成对抗网络GAN的基础知识,包括什么是GAN、常用算法(CGAN、DCGAN、infoGAN、WGAN)、发展历程、预备知识,并通过Keras搭建最简答的手写数字图片生成案。 本文分享自华为云社区《[论文阅读] (06) 万字详解什么是生成对抗网络GAN?经典论文及案例普及》,作者:eastmount。 一.GAN简介 1.GAN背…

    2023年4月6日
    00
  • Pytorch:生成随机数Tensor的方法汇总

    在使用PyTorch做实验时经常会用到生成随机数Tensor的方法,比如: torch.rand() torch.randn() torch.normal() torch.linespace()   均匀分布 torch.rand(*sizes, out=None) → Tensor 返回一个张量,包含了从区间[0, 1)的均匀分布中抽取的一组随机数。张量的…

    PyTorch 2023年4月6日
    00
  • 模式识别课程:目标检测③基于深度学习的检测算法(续1)

    title : 目标检测③基于深度学习的检测算法(续) 目标检测实验报告 检测所用软硬件+云服务器: 硬件:macOS或者windows电脑 软件:pycharm+生成的测试集 云服务器:滴滴云(https://www.didiyun.com/activity.html)输入博主的大师码:8996 ,只需⑨折,便不用体验搭环境的痛苦,安心训练自己的模型 相比…

    2023年4月8日
    00
  • pyTorch——(1)基本数据类型

    @ 目录 torch.tensor() torch.FloatTensor() torch.empty() torch.zeros() torch.ones() torch.eye() torch.randn() torch.rand() torch.randint() torch.full() torch.normal() torch.arange() t…

    2023年4月8日
    00
  • 目标检测之人脸识别

    序言         目录     正文 人脸特征点       PERCLOS LBP BSD(盲区检测)   常用人脸库:       MIT        FERET       PIE       AR       ORL       YaleA       YaleB       CAS-PEAL       JAFEE   效果检测参数:    …

    2023年4月5日
    00
  • 动手实现CNN卷积神经网络

    数据集采用的是手写数据集(http://yann.lecun.com/exdb/mnist/): 本文构建的CNN网络图如下:       像素点:28*28 = 784,55000张手写数字图片。     # -*- coding: UTF-8 -*- import numpy as np import tensorflow as tf # 下载并载入 M…

    2023年4月7日
    00
  • 为什么让GAN一家独大?Facebook提出非对抗式生成方法GLANN

    选自 arXiv,作者:Yedid Hoshen、Jitendra Malik,机器之心编译,参与:Panda。 生成对抗网络(GAN)在图像生成方面已经得到了广泛的应用,目前基本上是 GAN 一家独大,其它如 VAE 和流模型等在应用上都有一些差距。尽管 wasserstein 距离极大地提升了 GAN 的效果,但其仍在理论上存在训练不稳定和模式丢失的问题…

    2023年4月6日
    00
合作推广
合作推广
分享本页
返回顶部