首页 > 推荐阅读

人工智能、机器学习、深度学习的区别,终于说清楚了

人工智能、机器学习和深度学习是最近几年比较火热的概念,它们看起来比较相似,但是仿佛又存在某些差异。这篇文章,咱们就来科普一下三者之间的区别和联系。

为了让读者有一个整体上的认知,咱们先来看一张图。


可以看到,三者之间是相互包含的关系:人工智能涵盖范围最广,它包含了机器学习;而机器学习是人工智能的重要研究内容,它又包含了深度学习。

人工智能

人工智能的英文全称是 Artificial Intelligence,简称 AI。

人工智能是一门以计算机科学为基础,融合了数学、神经学、心理学、控制学等多个科目的交叉学科。

人工智能的目的是让计算机模拟人类的思维,从而解决一些不能用代码描述的问题,比如判断一只动物是不是小狗、通过 CT 照片检测一个人的病情等。

这些问题不能用传统的编程方法解决,因为没有一个确定的公式,或者说没有一个确定的算法。但是我们人类就很容易解决这些问题,因为人类大脑不是根据固定的算法来推导的,而是根据以往的认知或者经验来推理。

人工智能的目的也是如此,就是不给计算机编写固定的算法,而是让它自己形成一套模型,然后利用这套模型来帮助人们解决问题。这里的模型,就可以看做计算机的“经验”或者“认知”。

因为此时计算机的思维方式和人类非常相似,所以才称为人工智能。

机器学习

机器学习的英文全称是 Machine Learning,简称 ML。

人工智能只是一种美好的愿景,但是具体如何才能实现人工智能呢?答案就是机器学习。

计算机原本只是一张白纸,没有任何“阅历”,我们必须喂给他大量的数据,让它从数据中积累经验,逐渐形成自己的认知。这是一个让计算机不断学习的过程,所以称为机器学习。

机器学习是一件很麻烦的事情,需要先搭建一个模型,这个模型包含了很多参数,然后把准备好的数据(包括正确的结果)输入到模型中,不断调整模型的参数,直到它非常接近或者完全符合正确的结果,这个时候我们就说模型训练好了。

机器学习的模型有很多种,已经有人帮我们开发好了,也就是各种成熟的算法,包括决策树、随机森林、逻辑回归、SVM、朴素贝叶斯、随机森林、支持向量等。

实际开发中,我们根据自己的需求从中选择一个模型即可,这个不用担心。最要命的是数据,机器学习需要大量的数据才能训练好模型。人类看一两张猫的照片就认识猫了,但是机器学习需要看成千上万张照片。

如何收集大量有效的数据,是机器学习的重中之重,所以才有了爬虫,有了数据挖掘,有了数据清洗等分支。

注意,除了机器学习,传统的编程方式也可以实现部分人工智能,这已经在某些领域内做出了成果,比如文字识别、电脑下棋等。

深度学习

深度学习的英文全称是 Deep Learning,简称 DL。

机器学习的模型是一个不断发展的过程,后来人们逐渐研究出了一种更加智能和通用的模型,就是卷积神经网络(CNN)。CNN 模拟人类大脑神经突触之间的连接,通过调整参数来模拟突触连接的强弱,如下图所示。


图:卷积神经网络示意图(x 表示输入,y 表示输出)

CNN 包含很多层,每一层又包含多个节点。除了第一层和最后一层,中间的那些统称为隐藏层(蓝色部分)。隐藏层可以多达数百层,每一层的输入都是上一层的输出,同时每一层的输出都可以作为下一层的输入,它们交织在一起就形成了一个很深的网络,所以称为“深度学习”。

见名知意,深度学习真的很深,哈哈。

通常来说,机器学习模型的复杂度越高,它的学习能力就越强,这就好比说,使用更多的变量,你就能表达出更复杂的公式。但是一味增加网络深度是不好的,因为太深的网络不好训练。

深度学习是机器学习的一个重要分支,它是机器学习的高级玩法,更加接近真正的人工智能。

目前深度学习已经被应用在人工智能的各个领域,其中最显著的应用是计算机视觉和自然语言处理领域,我们所熟知的语音识别、机器翻译、无人驾驶、人脸识别等等,都是基于对深度学习算法的应用。

除了 CNN,深度学习还有很多其它的衍生模型(算法),比如循环神经网络(RNN)、深度置信网络(DBN)、长短期记忆模型(LSTM)、生成对抗网络(GAN)、受限玻尔兹曼机(RBM)等。

总结

人工智能是一种美好的目标,它希望用计算机来模拟人类的思维方式。

机器学习是实现人工智能的主要途径,也是人工智能的核心,它有很多模型(算法)可以选择。

深度学习是机器学习的一个重要分支,它使用了一些更加通用和智能的模型,是比较前沿的学术课题。深度学习需要更多的数据和算力作为支撑,否则难以发挥其优势。

推荐阅读

副业交流群 关注微信公众号,加入副业交流群,学习变现经验,交流各种打法。