人工智慧、機器學習和深度學習的區別?

提供個學習路線書單,謝謝!


人工智慧的浪潮正在席捲全球,諸多辭彙時刻縈繞在我們耳邊:人工智慧(Artificial Intelligence)、機器學習(Machine Learning)、深度學習(Deep Learning)。不少人對這些高頻辭彙的含義及其背後的關係總是似懂非懂、一知半解。

為了幫助大家更好地理解人工智慧,這篇文章用最簡單的語言解釋了這些辭彙的含義,理清它們之間的關係,希望對剛入門的同行有所幫助。

圖一 人工智慧的應用

人工智慧:從概念提出到走向繁榮

1956年,幾個計算機科學家相聚在達特茅斯會議,提出了「人工智慧」的概念,夢想著用當時剛剛出現的計算機來構造複雜的、擁有與人類智慧同樣本質特性的機器。其後,人工智慧就一直縈繞於人們的腦海之中,並在科研實驗室中慢慢孵化。之後的幾十年,人工智慧一直在兩極反轉,或被稱作人類文明耀眼未來的預言,或被當成技術瘋子的狂想扔到垃圾堆里。直到2012年之前,這兩種聲音還在同時存在。

2012年以後,得益於數據量的上漲、運算力的提升和機器學習新演算法(深度學習)的出現,人工智慧開始大爆發。據領英近日發布的《全球AI領域人才報告》顯示,截至2017年一季度,基於領英平台的全球AI(人工智慧)領域技術人才數量超過190萬,僅國內人工智慧人才缺口達到500多萬。

人工智慧的研究領域也在不斷擴大,圖二展示了人工智慧研究的各個分支,包括專家系統、機器學習、進化計算、模糊邏輯、計算機視覺、自然語言處理、推薦系統等。

圖二 人工智慧研究分支

但目前的科研工作都集中在弱人工智慧這部分,並很有希望在近期取得重大突破,電影里的人工智慧多半都是在描繪強人工智慧,而這部分在目前的現實世界裡難以真正實現(通常將人工智慧分為弱人工智慧和強人工智慧,前者讓機器具備觀察和感知的能力,可以做到一定程度的理解和推理,而強人工智慧讓機器獲得自適應能力,解決一些之前沒有遇到過的問題)。

弱人工智慧有希望取得突破,是如何實現的,「智能」又從何而來呢?這主要歸功於一種實現人工智慧的方法——機器學習。

機器學習:一種實現人工智慧的方法

機器學習最基本的做法,是使用演算法來解析數據、從中學習,然後對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟體程序不同,機器學習是用大量的數據來「訓練」,通過各種演算法從數據中學習如何完成任務。

舉個簡單的例子,當我們瀏覽網上商城時,經常會出現商品推薦的信息。這是商城根據你往期的購物記錄和冗長的收藏清單,識別出這其中哪些是你真正感興趣,並且願意購買的產品。這樣的決策模型,可以幫助商城為客戶提供建議並鼓勵產品消費。

機器學習直接來源於早期的人工智慧領域,傳統的演算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等等。從學習方法上來分,機器學習演算法可以分為監督學習(如分類問題)、無監督學習(如聚類問題)、半監督學習、集成學習、深度學習和強化學習。

傳統的機器學習演算法在指紋識別、基於Haar的人臉檢測、基於HoG特徵的物體檢測等領域的應用基本達到了商業化的要求或者特定場景的商業化水平,但每前進一步都異常艱難,直到深度學習演算法的出現。

深度學習:一種實現機器學習的技術

深度學習本來並不是一種獨立的學習方法,其本身也會用到有監督和無監督的學習方法來訓練深度神經網路。但由於近幾年該領域發展迅猛,一些特有的學習手段相繼被提出(如殘差網路),因此越來越多的人將其單獨看作一種學習的方法。

最初的深度學習是利用深度神經網路來解決特徵表達的一種學習過程。深度神經網路本身並不是一個全新的概念,可大致理解為包含多個隱含層的神經網路結構。為了提高深層神經網路的訓練效果,人們對神經元的連接方法和激活函數等方面做出相應的調整。其實有不少想法早年間也曾有過,但由於當時訓練數據量不足、計算能力落後,因此最終的效果不盡如人意。

深度學習摧枯拉朽般地實現了各種任務,使得似乎所有的機器輔助功能都變為可能。無人駕駛汽車,預防性醫療保健,甚至是更好的電影推薦,都近在眼前,或者即將實現。

三者的區別和聯繫

機器學習是一種實現人工智慧的方法,深度學習是一種實現機器學習的技術。我們就用最簡單的方法——同心圓,可視化地展現出它們三者的關係。

圖三 三者關係示意圖

目前,業界有一種錯誤的較為普遍的意識,即「深度學習最終可能會淘汰掉其他所有機器學習演算法」。這種意識的產生主要是因為,當下深度學習在計算機視覺、自然語言處理領域的應用遠超過傳統的機器學習方法,並且媒體對深度學習進行了大肆誇大的報道。

深度學習,作為目前最熱的機器學習方法,但並不意味著是機器學習的終點。起碼目前存在以下問題:

1. 深度學習模型需要大量的訓練數據,才能展現出神奇的效果,但現實生活中往往會遇到小樣本問題,此時深度學習方法無法入手,傳統的機器學習方法就可以處理;

2. 有些領域,採用傳統的簡單的機器學習方法,可以很好地解決了,沒必要非得用複雜的深度學習方法;

3. 深度學習的思想,來源於人腦的啟發,但絕不是人腦的模擬,舉個例子,給一個三四歲的小孩看一輛自行車之後,再見到哪怕外觀完全不同的自行車,小孩也十有八九能做出那是一輛自行車的判斷,也就是說,人類的學習過程往往不需要大規模的訓練數據,而現在的深度學習方法顯然不是對人腦的模擬。

深度學習大佬 Yoshua Bengio 在 Quora 上回答一個類似的問題時,有一段話講得特別好,這裡引用一下,以回答上述問題:

Science is NOT a battle, it is a collaboration. We all build on each other"s ideas. Science is an act of love, not war. Love for the beauty in the world that surrounds us and love to share and build something together. That makes science a highly satisfying activity, emotionally speaking!

這段話的大致意思是,科學不是戰爭而是合作,任何學科的發展從來都不是一條路走到黑,而是同行之間互相學習、互相借鑒、博採眾長、相得益彰,站在巨人的肩膀上不斷前行。機器學習的研究也是一樣,你死我活那是邪教,開放包容才是正道。

結合機器學習2000年以來的發展,再來看Bengio的這段話,深有感觸。進入21世紀,縱觀機器學習發展歷程,研究熱點可以簡單總結為2000-2006年的流形學習、2006年-2011年的稀疏學習、2012年至今的深度學習。未來哪種機器學習演算法會成為熱點呢?深度學習三大巨頭之一吳恩達曾表示,「在繼深度學習之後,遷移學習將引領下一波機器學習技術」。但最終機器學習的下一個熱點是什麼,誰又能說得准呢。


《人工智慧狂潮:機器人會超越人類嗎?》

來自日本學習的科普書,內容非常淺顯及時,甚至包含了最近深度學習的發展介紹。唯一的不足之處就是翻譯標題太惡俗了。


求大神們,能否給個學習的路線 或者書單,菜鳥路過


簡要說明一下人工智慧(AI)、機器學習(ML)深度學習(DL)分別是什麼意思以及它們的不同點。

AI,ML和DL有什麼區別?

人工智慧由John McCarthy於1956年創立,它是能夠執行人類智能特徵的機器。包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。

可以將AI分為兩類,廣義和狹義。General AI將具有人類智慧的所有特徵,包括上述能力。狹義的AI展示了人類智慧的某些方面,並且將某些方面做到最好,但在其他領域卻無法適用。舉個狹義人工智慧的一個例子,比如一台很高端的識別圖像的機器,沒有別的功能。

機器學習的核心是簡單的實現AI的方式

在AI創造後的不久,Arthur Samuel在1959年,將它定義為「沒有明確編程的學習能力」,可以在不使用機器學習的情況下獲得AI ,但是這需要建立數百萬行具有複雜規則和決策樹的代碼。

舉個例子,機器學習已經被用來大大改進計算機視覺(機器識別圖像或視頻中的對象的能力)。你收集數十萬甚至數百萬張圖片,然後讓人標記他們。例如,人類可能會將其中有一隻貓的圖片與那些沒有貓的圖片進行標記。然後,該演算法嘗試建立一個模型,可以準確地將圖片標記為包含貓或不包括貓。一旦準確度水平足夠高,代表機器已經「學習」了如何識別一隻貓的樣子。

深度學習是機器學習的許多方法之一,其他方法包括決策樹學習、歸納邏輯程序設計、聚類、強化學習和貝葉斯網路等。

深度學習的靈感來自於大腦的結構和功能,即許多神經元的互連。人工神經網路(ANN)是模擬大腦生物學結構的演算法。

在ANN中,「神經元」具有離散的層和與其他「神經元」的連接。每個層選出要學習的特定功能,例如圖像識別中的曲線/邊。正是這種分層賦予了深度學習的名稱,深度是通過使用多層而不是單層來創建的。

AI和IoT是密不可分的

我認為AI和IoT之間的關係很像人腦與身體之間的關係。

我們的身體收集感官輸入,如視力,聲音和觸覺。大腦接受這些數據,並將其理解,將光轉換成可識別的對象,並將聲音轉化為可理解的語音。大腦隨後作出決定,將信號發回身體,以指揮運動,例如拾起物體或說話。

所有構成物聯網的連接感測器就像我們的身體,它們提供了世界上發生的事情的原始數據。人工智慧就像我們的大腦,理解這些數據,並決定採取什麼行動。而物聯網的連接設備又像我們的身體,進行身體動作或與他人交流。

機器學習(ML)深度學習(DL)近年來的發展導致了AI的巨大飛躍。如上所述,機器學習和深度學習需要大量的數據來工作,而這些數據正被數十億的感測器收集到,這些感測器將繼續在物聯網中聯機。物聯網會創造更好的人工智慧。

改善人工智慧也將推動物聯網的發展,創造一個良性循環,在這兩個領域將大大加速其發展。

  • 在工業方面,人工智慧可以應用於預測機器何時需要維護或分析製造過程,以提高效率,從而節省數百萬美元。
  • 在消費者方面,可以通過語音簡單地向機器詢問我們需要什麼,而不是點擊、打字和搜索。比如會詢問一些天氣信息,或是睡覺前的準備(鎖門、關燈等等)。

當然,人工智慧對我們社會和未來的影響會產生一些擔憂。


來自微博 愛可可 老師的轉載。


什麼是人工智慧?它和神經網路、機器學習、深度學習、數據挖掘這類熱門辭彙有什麼關係?撇開複雜的概念和高冷的定義,一圖看懂人工智慧相關領域的錯綜複雜的關係。

?由圖可見,人工智慧、機器學習、深度學習並非是層層包含的關係,而最近火熱的神經網路也只是與人工智慧有交叉而非人工智慧的實現方式或者子集。

?在谷歌趨勢上搜索人工智慧、大數據、機器學習、深度學習的中英文可以比對不同的關注走向。

?人工智慧和大數據此消彼長,早在2004年人工智慧就受到中英文領域的雙重關注。在2006-2007年人工智慧中文搜索開始下降,大數據的概念開始火過於人工智慧。

?在英文搜索領域,大數據的浪潮直到2012年後才開始超過中文領域。 ?深度學習在中文領域的搜索熱度,一度在2009年和人工智慧齊平。相反在英文領域,深度學習的搜索關注度直到2013年後才開始逐步提升。


人工智慧包括機器學習,機器學習包括深度學習。


人工智慧是計算機科學的一個子領域,創造於 20 世紀 60 年代,它涉及到解決對人類而言簡單卻對計算機很難的任務。詳細來說,所謂的強人工智慧系統應該是能做人類所能做的任何事。這是相當通用的,包含所有的任務,比如規劃、到處移動、識別物體與聲音、說話、翻譯、完成社會或商業事務、創造性的工作(繪畫、作詩)等。自然語言處理只是人工智慧與語言有關的一部分。

機器學習被認為是人工智慧的一方面:給定一些可用離散術語(例如,在一些行為中,那個行為是正確的)描述的人工智慧問題,並給出關於這個世界的大量信息,在沒有程序員進行編程的情況下弄清楚「正確」的行為。典型的是,需要一些外部流程判斷行為是否正確。在數學術語中,也就是函數:饋入輸入,產生正確的輸出。所以整個問題就是以自動化的方式建立該數學函數的模型。在二者進行區分時:如果我寫出的程序聰明到表現出人類行為,它就是人工智慧。但如果它的參數不是自動從數據進行學習,它就不是機器學習。

 深度學習是如今非常流行的一種機器學習。它涉及到一種特殊類型的數學模型,可認為它是特定類型的簡單模塊的結合(函數結合),這些模塊可被調整從而更好的預測最終輸出。

更多人工智慧資訊關注AI垂直媒體:智能玩咖(VRdaxue)!


人工智慧:為機器賦予人的智能

機器學習:一種實現人工智慧的方法

深度學習:一種實現機器學習的技術

人工神經網路:一種機器學習的演算法

傳送門:人工智慧、機器學習、深度學習和人工神經網路


Ai大於Ml,大於Dl


科普貼開篇:到底什麼是人工智慧(AI)、機器學習(ML)和深度學習(DL)

機智過人


說的直白點就好像是祖孫三代一樣,人工智慧是爺爺,機器學習是爸爸,深度學習是兒子!可能比喻不太形象;但大體的關係就是這樣的!具體的仁者見仁智者見智了!


最近在研究機器學習,求大神指點


NB 的感覺啊!其實,做這個,感覺還是要學好數學啦 ,


先把Python學好,用Python可以實現上述功能!


推薦閱讀:

虛擬現實+人工智慧+5G有哪些可能?
能否僅僅通過語法構詞分析掌握一門完全陌生的語言?
如何評價清華大學第二十屆「搜狗杯」智能體大賽?
如何在短時間內學習多agent(有翻譯成智能體or代理)建模?
計算機虛擬可活動人腦神經細胞模型,這消息是真是假?算是重大突破嗎?對今後腦科學與人工智慧有多少影響?

TAG:人工智慧 | Python | 編程 | 機器學習 |