什么是人工智能(AI),机器学习(ML),表示学习(RL),深度学习(DL)?
艾易欧科技 AI ML RL DL

2022-09-22 09:59:52

 

一,AI

 

人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

 

人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。

 

 

二,机器学习

机器学习(Machine Learning,ML)是指从有限的观测数据中学习(或“猜 测”)出具有一般性的规律,并利用这些规律对未知数据进行预测的方法。传统的机器学习主要关注如何学习一个预测模型。一般需要首先将数据表示为一组特征(Feature),特征的表示形式可以是连续的数值、离散的符号或其他形式。然后将这些特征输入到预测模型,并输出预测结果。这类机器学习可以看作浅层学习(Shallow Learning)。浅层学习的一个重要特点是不涉及特征学习,其特征主要靠人工经验或特征转换方法来抽取。

机器学习通过算法,使用历史数据进行训练,训练完成之后会产生模型.当有新的数据提供时,使用训练产生的模型进行预测.机器学习用的数据是由Feature和label组成的.

 

三,表示学习

 

表示学习是学习一个特征的技术的集合:将原始数据转换成为能够被机器学习来有效开发的一种形式。它避免了手动提取特征的麻烦,允许计算机学习使用特征的同时,也学习如何提取特征:学习如何学习。机器学习任务,例如分类问题,通常都要求输入在数学上或者在计算上都非常便于处理,在这样的前提下,特征学习就应运而生了。然而,在我们现实世界中的数据例如图片,视频,以及传感器的测量值都非常的复杂,冗余并且多变。那么,如何有效的提取出特征并且将其表达出来就显得非常重要。传统的手动提取特征需要大量的人力并且依赖于非常专业的知识。同时,还不便于推广。这就要求特征学习技术的整体设计非常有效,自动化,并且易于推广。表示学习中最关键的问题是:如何评价一个表示比另一个表示更好?表示的选择通常取决于随后的学习任务,即一个好的表示应该使随后的任务的学习变得更容易。

一言以蔽之:不用人工构建特征

 

 

四,深度学习

深度学习(deep learning)是机器学习的分支,是一种以人工神经网路为架构,对资料进行表征学习的算法。

深度学习是机器学习中一种基于对数据进行表征学习的算法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别[6])。深度学习的好处是用非监督式或半监督式(Semi-supervised learning)的特征学习和分层特征提取高效算法来替代手工获取特征。

至今已有数种深度学习框架,如深度神经网络、卷积神经网络和深度置信网络(Deep belief network)和循环神经网络已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并取得了极好的效果。

简单直白:深度学习是表示学习最好的体现, 深度学习就是用来解决人工构建特征麻烦而且不准确的问题. 优点是机器自己会构建特征, 缺点是看不出来是那种因素对结果影响较大.

 

Copyright © 深圳市艾易欧科技有限公司 All rights reserved.

 

粤ICP备14038518号