Google|人工智能vs機器學習vs深度學習谷歌pixel

文章圖片

如今，人工智能 (AI)、機器學習 (ML) 和深度學習 (DL) 術語變得非常普遍。它們通常可以互換使用，尤其是在處理大數據、分析以及搜索和索引時。盡管這三個術語非常相關，但它們并不是一回事。
在今天的故事中，我們將向您解釋什么是 AI、ML 和 DL ，以及它們之間的區別。
人工智能AI 是計算機科學的分支，由 John McCarthy 于 1956 年首次提出。計算機通常執行我們命令的任務。然而，人工智能是一種構建機器或軟件的方式，它可以像人類一樣智能思考和自我執行。這包括理解語言、識別聲音和視覺、學習、計劃和解決問題等。
例如，傳統程序只能回答特定問題，但人工智能程序可以回答一般問題。
有四種類型的人工智能——

Completely Reactive：基本類型，無法得出結論。示例——谷歌的 AlphaGo、IBM 的 DeepBlue
記憶力有限：可以做出正確的決定并采取行動。示例——聊天機器人、自動駕駛汽車
心智理論：能夠理解思想、情緒和社交互動。 — 尚未建成*
自我意識：可以形成關于自己的表征，意識到自我狀態，并且可以預測他人的感受。 –尚未建成*

雖然第三種和第四種機器并不真正存在，但它們在科幻電影中得到了展示，例如《星球大戰》的 R2D2（3 型）和《機械姬》的 Eva（4 型）。

人工學習
機器學習ML 是 AI 的一個子集，它為系統提供了學習、行動和從經驗中改進的能力，而無需明確編程。因此， ML 不是用特定指令明確編寫所有方法來完成特定任務，而是一種訓練程序的技術，以便它可以從過去的經驗中學習。在這里，訓練是指向程序提供大量數據，并讓程序自行配置和改進。
例如，如果您向 ML 算法提供數千張貓圖片，它將開始識別貓的長相——它們的身高、顏色、臉型等。最終，它可以識別并自動標記圖片中的貓。一旦準確度足夠高，該算法就可以準確地分辨出貓的樣子。
【Google|人工智能vs機器學習vs深度學習】機器學習的類型：

監督：使機器通過具有定義輸出的數據進行顯式學習。
無監督：機器理解數據（模式/結構）并從數據集中進行推斷。
強化：一種人工智能方法，從正面和負面強化中學習，并獎勵積極的結果。

深度學習
機器學習
深度學習是機器學習的一個子領域，它是處理受人腦結構和功能或許多神經元互連啟發的算法。這些算法被稱為模擬大腦生物結構的人工神經網絡 (ANN) 。
神經元具有離散的層和與其他神經元的連接。可以將這些層可視化為相關概念或決策樹的嵌套層次結構。每一層都能夠選擇一個特定的特征來學習或遵循特定的路徑。深度是由多層構建的——網絡的層數越多，它就越深/復雜。
為了得到良好的訓練，深度學習網絡需要大量的項目。系統不是為定義項目的每個邊編寫代碼，而是從數百萬個數據點的暴露中學習。
谷歌大腦是深度學習在獲取超過一千萬圖像樣本后識別貓的完美示例。這些網絡不需要使用定義項目的特定標準進行編碼；他們可以在接觸大量樣本后識別邊緣。