人工智慧及機器學習的基本概念

機器學習是實現人工智慧的一種方式，而深度學習是機器學習的一個分支。人工智慧的根本在於智能，而機器學習則是部署支持人工智慧的計算方法。簡單的將，人工智慧是科學，機器學習是讓機器變得更加智能的演算法，機器學習在某種程度上成就了人工智慧。

人工智慧三種類型

■弱人工智慧 Weak AI：機器通過機器學習之類的技術從大量數據中學到一些規律。比如說AlphaGo雖然看上去比人類還要厲害，但依然只是弱人工智慧，因為你讓它干其他活就不會了，而且也沒有情緒。

■強人工智慧 Strong AI：機器具有意識，能夠完全像人一樣思考和具有感情。而且人類能幹的腦力活它都能幹，Linda Gottfredson教授把智能定義為「一種寬泛的心理能力，能夠進行思考、計劃、解決問題、抽象思維、理解複雜理念、快速學習和從經驗中學習等操作」。到目前為止應該還沒有出現強人工智慧。

■超級智能 Support-Intelligence：機器具有比人類更強大的智慧。因為這類人工智慧存在，很多人類就開始各種擔憂。其實不管是目前人工智慧到達哪個階段，但總的來說人工智慧出現的初衷不是為了巔峰人類，而是為了滿足人類的需求。

機器學習領域

人們希望能夠藉助機器的力量來自動完成一些任務，從而將人類從煩瑣的事項中解放出來，比如自動監測違規車輛，自動人臉識別等；總的來說過程涉及兩個要點：認知這個世界，獲取信息及根據信息進行判斷和決策。

機器學習包括選擇數據、模型數據、驗證模型、測試模型、使用模型、調優模型這些工作流程，應用到的領域非常廣泛。

■視覺相關：物體識別、圖像分割、圖像索引、人臉識別、場景識別、場景匹配等；

■聽覺相關：語音識別、樂曲片段匹配、自動作曲等；

■認知相關：自然語言處理、專家系統等；

■對人群偏好的推測：網頁推薦、廣告推薦、購物產品推薦、電影推薦等；

機器學習方法分類

■監督學習 SupervisedLearning：通過對標註的訓練數據進行學習，得到一個從輸入特徵到標籤的映射模型，在利用這個模型對未知標籤的新數據進行預測。

■無監督學習 Unsupervised Learning：不需要對訓練數據進行標註，直接對數據進行建模。

■半監督學習 Semi-SupervisedLearning：介於監督學習和無監督學習之間的方法。

■增強學習 ReinforcementLearning：一種互動式的學習方法，模型根據環境給予的獎勵或懲罰不斷調整自己的策略，盡量獲得最大的長遠收益。

業界得到較多應用的主要是監督學習，監督學習需要訓練數據，其本身由模型、策略和演算法三要素組成。機器學習常用的模型很多，比如線性模型、邏輯回歸、SoftMax、神經網路/深度學習、SVM、決策樹、隨機森林、GBDT、與矩陣分解相關的系列模型等。

神經網路Neural Network是從人類腦神經元的研究中獲得靈感，模擬其神經元的功能和網路結構，來完成認知任務的一類機器學習演算法。而深度學習Deep Learning則是指多層神經網路，即隱層大於一層的神經網路。

神經網路主要思想是模擬人類大腦的行為來處理數據。就像大腦中真實神經元之間相互連接形成的網路一樣，人工神經網路由多層組成。每層都是一系列神經元的集合，這些神經元負責檢測不同的食物。一個神經網路能夠連續地處理數據，這意味著只有第一層才與輸入直接相連，隨著模型層數的增加，模型將學到越來越複雜的數據結構。當層數大量地增加，模型通常就是一個所謂的深度學習模型。很難給一個深度網路確定一個特定的網路層數，10年前通常3層神經網路就可謂深，而如今通常需要20層。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！