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的区别一．人工智能人工智能Artificialintelligenee(Al)是机器展示的智力，与人和动物所展示的自然智力不同，后者涉及意识和情感。前者和后者之间的区别通常通过选择的首字母缩写来揭示。“强大”的AI通常被标记为人工智能(AGI),而模仿“自然”智能的尝试被称为人工智能(ABI)。领先的AI教科书将这一领域定义为“智能代理”的研究：任何能感知其环境并采取行动以最大程度地成功实现其目标的设备。通俗地说，“人工智能”一词通常用于描述模仿人类与人类思维相关的“认知”功能的机器，例如“学习”和“解决问题”。随着机器能力的增强，通常被认为需要“智能”的任务从AI的定义中删除,这种现象被称为AI效应。特斯勒定理中的一则讽刺说：“人工智能还没有完成。”例如，光学字符识别经常被视为常规技术而从被认为是AI的事物中排除。通常被归类为AI的现代机器功能包括成功理解人类的语音，在战略游戏系统（如国际象棋和围棋）中进行最高级别的竞争，以及不完美的信息游戏，如扑克，自动驾驶汽车，内容交付网络中的智能路由以及军事模拟。Y•SPRIY•SPRING2017人工智能成立于1955年，是一门学术学科，在此后的几年中，经历了数次乐观的浪潮，随后是失望和资金短缺（称为“AI冬季”），随后是新方法，成功和新的资金投入。。在2015年AlphaGo成功击败专业的Go玩家之后，人工智能再次引起了全球的广泛关注。在AI的大部分历史中，其研究通常分为无法相互交流的子领域。这些子字段基于技术考虑，例如特定目标（例如“机器人”或“机器学习”），特定工具的使用（“逻辑”或人工神经网络）或深层次的哲学差异。子领域也基于社会因素（特定机构或特定研究人员的工作）。人工智能研究的传统问题（或目标）包括推理，知识表示，计划，学习，自然语言处理，感知以及移动和操纵对象的能力。AGI是该领域的长期目标之一。方法包括统计方法，计算智能和传统的符号Al。AI中使用了许多工具，包括搜索和数学优化版本，人工神经网络以及基于统计，概率和经济学的方法。AI领域借鉴了计算机科学，信息工程，数学，心理学，语言学，哲学以及许多其他领域。该领域是基于这样的假设，即“可以如此精确地描述人类的智力，从而可以制造出可以模拟它的机器”。这引发了关于思想和伦理学的哲学争论，这些思想和伦理学是创造具有人类般智能的人造生物的。自古以来，神话，小说和哲学都曾探索过这些问题。有些人还认为，如果AI的发展步伐不减，它将对人类构成威胁。其他人则认为，与以前的技术革命不同，人工智能将带来大规模失业的风险。在二十一世纪，随着计算机功能，大量数据和理论理解的同时发展，人工智能技术也开始复苏。人工智能技术已成为技术行业的重要组成部分，有助于解决计算机科学，软件工程和运筹学中的许多难题。计算机科学将AI研究定义为对“智能代理”的研究：即能感知其环境并采取能够最大程度地成功实现其目标的行动的任何设备。更为详尽的定义将AI表征为“系统正确解释外部数据，从此类数据中学习以及利用这些学习通过灵活的适应来实现特定目标和任务的能力”。典型的AI会分析其环境，并采取使成功机会最大化的行动。AI的预期效用函数（或目标）可以是简单的（“如果AI赢得围棋，则为1，否则为0”），也可以是复杂的（“在数学上类似于过去成功的操作”）。可以明确定义或诱导目标。如果将AI编程用于“强化学习”，则可以通过奖励某些类型的行为或惩罚其他类型的行为来隐式地诱发目标。备选地，进化系统可以通过使用“健身功能”突变并优先复制高分AI系统来诱导目标，类似于动物如何进化以天生地渴望某些目标（例如寻找食物）。某些AI系统（例如最邻近的系统）通常不会给出目标，而只是在其训练数据中隐含了目标，而不是类似的推理。如果将非目标系统构架为“目标”是成功完成其狭窄分类任务的系统，则仍可以对此类系统进行基准测试。人工智能通常围绕算法的使用而展开。算法是机械计算机可以执行的一组明确指令。复杂的算法通常建立在其他更简单的算法之上。下面是一个简单的算法示例（在第一个玩家中最佳），在井字游戏中玩法：1、 如果某人有“威胁”（即连续两次），则取剩余的正方形。除此以外2、 如果某举动“分叉”一次造成两个威胁，则进行该举动。除此以外3、 如果有空的话，走中心广场。除此以外，4、 如果您的对手在角落里玩，则走到对面的角落。除此以外，5、 如果有的话，走一个空的角落。除此以外，占据任何空的正方形。许多AI算法都可以从数据中学习；他们可以通过学习新的启发式方法（过去曾行之有效的策略或“经验法则”）来增强自己，也可以自己编写其他算法。下文所述的某些“学习者”，包括贝叶斯网络，决策树和最近邻居，在理论上（给定无限数据，时间和记忆）可以学习近似任何函数，包括数学函数的哪种组合最能描述因此，这些学习者可以通过考虑每种可能的假设并将其与数据进行匹配，从而得出所有可能的知识。实际上，由于“组合爆炸”现象，几乎不可能考虑每种可能性，解决问题所需的时间呈指数增长。大量的AI研究涉及弄清楚如何识别并避免考虑各种不太可能是有益的可能性。例如，当查看地图并寻找从丹佛到东部纽约的最短行驶路线时，大多数情况下，人们可以跳过通过旧金山或西边其他地区的任何路径；因此，使用像A*这样的寻路算法的AI可以避免组合爆炸，如果必须仔细考虑每条可能的路线，就会发生爆炸。最早（也是最容易理解）的人工智能方法是象征主义（例如形式逻辑）：“如果一个健康的成年人发烧，那么他们可能会患上流感”。第二种更普遍的方法是贝叶斯推论：“如果当前患者发烧，以某种方式调整他们患流感的可能性”。第三种主要方法是在常规业务AI应用程序中非常流行的方法，是类似器，例如SVM和最近邻：“在检查了已知过去患者的记录后，这些患者的温度，症状，年龄和其他因素与当前患者基本相符，X%那些患者中证明有流行性感冒”第四种方法很难直观地理解，但受到大脑机械的工作原理的启发：人工神经网络方法使用人工“神经元”，该神经元可以通过将自身与所需输出进行比较并改变其内部神经元之间的连接强度来学习。以“加强”似乎有用的连接。这四种主要方法可以相互重叠，也可以与进化系统重叠。例如，神经网络可以学习进行推论，概括和进行类比。一些系统隐含或显式地使用这些方法中的多种方法，以及许多其他AI和非AI算法。最佳方法通常因问题而异。学习算法的工作原理是，过去有效的策略，算法和推理将来可能会继续有效。这些推论可能是显而易见的，例如“由于过去一万天每天早晨都有太阳升起，所以明天早晨也可能会升起”它们可能会产生细微差别，例如“X%的家庭在地理上具有不同的物种，具有不同的颜色，因此存在Y%的可能性，即存在未发现的黑天鹅”。学习者还可以在“奥卡姆剃刀”的基础上工作：解释数据的最简单理论是最可能的。因此，根据奥卡姆（Occam）的剃刀原理，必须设计一种学习器，使其在复杂理论被证明更好的情况下更喜欢简单理论而不是复杂理论。为适应过去的所有训练数据而建立的糟糕，过于复杂的理论被称为过度拟合。许多系统试图通过根据理论对数据的拟合程度来奖励理论来减少过拟合，但是根据理论的复杂程度对理论进行惩罚。除了经典的过拟合之外，学习者还可以通过“学习错误的课程”而感到失望。一个玩具例子是，仅对棕色马和黑猫的图片进行训练的图像分类器可能会得出结论，所有棕色斑块都可能是马。一个真实的例子是，与人类不同，当前的图像分类器通常主要不是根据图片各组成部分之间的空间关系做出判断，而是学习人类所忽略的像素之间的关系，但仍然与人类的图像相关联。某些类型的真实对象。修改合法映像上的这些模式可能会导致系统对系统进行错误分类的“对抗性”映像。与人类相比，现有的人工智能缺乏人类“常识性推理”的几个特征。最值得注意的是，人类具有强大的机制来推理“天真的物理学”，例如空间，时间和物理相互作用。这样一来，即使是年幼的孩子也可以轻松地做出类似“如果将笔从桌子上滚下来，它将掉在地上”的推论。人类还具有强大的“民间心理学”机制，可以帮助他们解释自然语言的句子，例如“市议员拒绝示威者，因为他们提倡暴力”（通用AI难以辨别被指控提倡的人）。暴力是议员或示威者）。缺乏“常识”意味着Al常常犯着人类似乎无法理解的错误而犯下了与人类不同的错误。例如，现有的自动驾驶汽车不能以人类的确切方式来推断行人的位置或意图，而是必须使用非人类的推理方式来避免发生事故。二．机器学习机器学习Machinelearning(ML)是对计算机算法的研究，该算法可通过经验和数据使用自动提高。它被视为人工智能的一部分。机器学习算法基于样本数据(称为“训练数据”)构建模型，以便进行预测或决策而无需明确地编程。机器学习算法被广泛用于许多应用中，例如医学，电子邮件过滤和计算机视觉，在这些应用中，很难或不可行地开发常规算法来执行所需的任务。机器学习的一个子集与计算统计紧密相关，计算统计侧重于使用计算机进行预测。但并非所有机器学习都是统计学习。数学优化研究为机器学习领域提供了方法，理论和应用领域。数据挖掘是一个相关的研究领域，专注于通过无监督学习进行探索性数据分析。在跨业务问题的应用中，机器学习也称为预测分析。机器学习涉及计算机发现他们如何执行任务而无需显式编程来执行任务。它涉及计算机从提供的数据中学习，以便它们执行某些任务。对于分配给计算机的简单任务，可以对算法进行编程，以告诉机器如何执行解决当前问题所需的所有步骤。在计算机方面，不需要学习。对于更高级的任务，人工手动创建所需的算法可能是一个挑战。在实践中，它可以更有效地帮助机器开发自己的算法，而不是由人工程序员指定每个所需的步骤。机器学习的学科采用各种方法来教计算机完成没有完全令人满意的算法可用的任务。在存在大量潜在答案的情况下，一种方法是将一些正确答案标记为有效。然后可以将其用作计算机的训练数据，以改进其用于确定正确答案的算法。例如，为了训练用于数字字符识别任务的系统，经常使用手写数字的MNIST数据集。三．深度学习深度学习Deeplearning（也称为深度结构化学习）是基于带有表示学习的人工神经网络的更广泛的机器学习方法系列的一部分。学习可以是有监督的，半监督的或无监督的。诸如深度神经网络，深度信念网络，图神经网络，递归神经网络和卷积神经网络之类的深度学习架构已应用于计算机视觉，语音识别，自然语言处理，机器翻译，生物信息学，药物设计，医学等领域图像分析，材料检查和棋盘游戏程序，这些程序所产生的结果可与人类专家的表现相媲美，甚至在某些情况下超过人类专家的表现。人工神经网络（ANN）受到生物系统中信息处理和分布式通信节点的启发。人工神经网络与生物大脑有各种差异。具体来说，神经网络往往是静态的和象征性的，而大多数活生物体的生物大脑是动态的（可塑的）和类似的。深度学习中的形容词“深度”是指在网络中使用多层。早期的工作表明，线性感知器不能成为通用分类器，然后具有非多项式激活函数且具有一个无界宽度的隐藏层的网络可以做到这一点。深度学习是一种现代变体，它涉及无边界层数的无穷大，这允许实际应用和优化实现，同时在温和条件下保留了理论上的普遍性。在深度学习中，出于效率，可培训性和可理解性的考虑，还允许这些层是异类的，并且可以广泛地偏离生物学告知的连接主义者模型，因此是“结构化”部分。深度学习是一类机器学习算法，它使用多层来从原始输入中逐步提取更高级别的功能。例如，在图像处理中，较低的层可以标识边缘，而较高的层可以标识与人有关的概念，例如数字或字母或面部。

大多数现代深度学习模型都基于人工神经网络,特别是卷积神经网络（CNN）,尽管它们也可以包含命题公式或在潜在生成模型中分层组织的潜在变量，例如深度信念网络中的节点和深度玻尔兹曼机器。Conv_lCork^gl^tlani(5m5)kernelpaddlingMaM-PoollnaINPUTnlchannels(28x2flk1]{24jc24xml)fj4FullvfConv_2

Convolution

(Sk5)kernel

w/Wpaddingnlchannels(12xl2xnl)Max-Pooling,fc_aFullv-ConnectedConv_lCork^gl^tlani(5m5)kernelpaddlingMaM-PoollnaINPUTnlchannels(28x2flk1]{24jc24xml)fj4FullvfConv_2

Convolution

(Sk5)kernel

w/Wpaddingnlchannels(12xl2xnl)Max-Pooling,fc_aFullv-ConnectedNeuralNetworkn2channelsn2channels(8x3kn2) (4x4xn2)OUTPUTReLUactivation一—NeuralNetworkn3uinit^在深度学习中,每个级别都学习将其输入数据转换为稍微抽象和复合的表示形式。在图像识别应用程序中,原始输入可以是像素矩阵；第一表示层可以提取像素并编码边缘；第二层可以组成并编码边缘的布置；第三层可以编码鼻子和眼睛；第四层可以识别出图像包含面部。重要的是,深度学习过程可以自行学习将哪些功能最佳地放置在哪个级别上。（当然,这并不能完全消除手工调整的需要；例如,不同数量的层和层大小可以提供不同的抽象度。）“深度学习”中的“深度”一词是指数据转换所经过的层数。更准确地说,深度学习系统具有很大的学分分配路径（CAP）深度。CAP是从输入到输出的转换链。CAP描述了输入和输出之间的潜在因果关系。对于前馈神经网络,CAP的深度是网络的深度,并且是隐藏层的数量加一层（因为输出层也已参数化）。对于递归神经网络,其中信号可能会不止一次地传播穿过一层,因此CAP深度可能不受限制。没有公认的深度阈值将浅层学习与深度学习区分开,但是大多数研究人员都同意深度学习涉及的CAP深度大于2。深度2的CAP在可以模拟任何功能的意义上已被证明是通用近似器。除此之外，更多的层不会增加网络的函数逼近器功能。与浅层模型相比，深层模型（CAP>2）能够提取更好的特征，因此，额外的图层有助于有效地学习特征。N际N际n Urapdileaiuft?〔crnWdinia细致的门控图神经网络，用于图像场景图生成。可以使用