概念解析:深入理解人工智能和机器学习

【导读】本文是数据科学家Vijay Yadav的一篇帖子,主要内容是介绍机器学习和人工智能的概念。对于很多刚刚入门人工智能的读者,可能会有这么一个疑问:人工智能和机器学习到底都是什么?本文介绍了人类智能的步骤,并讨论了其中哪些步骤可以用人工智能来实现。然后介绍了机器学习概念,重点举例讲解了模式识别的原理。文章中对概念的理解比较深刻、描述通俗易懂,如果你还不了解这些概念,那就快阅读一下吧。

Artificial Intelligence vs Machine Learning: What’s what?

你可能多次听到人工智能和机器学习这两个词,作为一个行业专家,我也听到过,大多数情况下,这些术语可以互换使用,虽然概念不同,但它们之间有些共同点。

这篇文章中,我希望可以帮你理解它们:

人工智能


让我们从理解什么是“人工”(“Artificial”)开始,“人工”指的是制造或生产的东西,而不是自然形成的。这只是个开始,但是“自然”又是指什么呢?在本文,“自然”指的是“人”——你和我。计算机科学始终吸引着我们,为什么呢?因为通过机器理解并替代类人的智能体是一项巨大的任务,几十年来,科学家一直在推动相关领域的发展。机器人和无人驾驶只是类人智能的例子,但目前还没有机器人为你打扫房子,或者洗衣服;如果想在我们的日常生活中使用类人的智能体,还有很长的路要走。

因此,现在我们知道机器不是人类,我们可以放心地说:如果没有任何智能或逻辑指令,机器都会非常愚蠢。虽然他们缺乏智能,但却拥有巨大的计算能力。 对于可能花费你一秒钟时间思考的问题,一台机器可以在相同时间内完成1000次。

此外,这些机器将完全按照我们的指示进行操作。不多也不少,它们不能改变行动的方向,来做额外的动作。如果我对人类和机器同时发出了一套10步的指令,机器将精确地遵循这10个步骤,而如果所提供的10个步骤不足以产生期望的结果时,人类会增加额外的步骤去达成目标。 从本质上讲,虽然对于人类来说,可以通过环境确定行为,但我们需要提供机器指令,以便令其知道在什么场景下该做些什么。这听起来确实很难,但真的不能做到吗?

要理解人工智能,我们需要尝试了解人类智能的工作原理,简言之,人类智能由三个部分构成(还有些其他生物学和科学现象也会推动对人类智能的理解,但我们应该让神经科学家解释它!)。

1、通过多维数据源感知(Perception through a multi-dimensional data source)

如果我给你一个小物体,问你是什么,你会用眼睛看、手摸、鼻子闻、耳朵听,以便获得关于这件物体的任何信息。

2、对步骤1的数据中进行模式识别(Pattern recognition within the data set referred in step 1 above)

你以前可能看过,也可能没看过这个物体。你的脑海中已经构建了一系列模式,以便对你的生命中遇到的数千个物体进行分类,如果以前看过它,那么这个模式技术将帮你识别、猜测出这个物体是什么,如果你以前没见过,那么可能就无法认出它来。

3、在给定的情境下做出决策(Decision making within the given context)

当你回忆起你在步骤2中的记忆后,就进入了逻辑论证和评估的过程之中。作为一个人类的思维,我们倾向于合理化事物,并用我们所说的直觉(“gut feeling”)感性地作出决定。

花点时间考虑下上面哪个部分可以用AI复制呢?其实三个步骤都很难,但1、3步骤是最难复制的。在高层次上,如果所有三个部分都可以在一台机器上复制或近似复制,那么我们就拥有了一个人工智能系统,它几乎可以思考,并且像人一样行事,这些都取决于这三个部分的实现程度。作为一种思考练习,如何将上面提到的三个部分应用于汽车无人驾驶,才能让它从车库沿着车道走向街道?

机器学习


机器学习不等同于AI,而是AI的一个重要部分。为此,机器学习主要关注于了上面步骤2:模式识别机器学习有助于识别数据集内的模式,并因此尝试根据现有数据进行预测。

在深入研究机器学习之前,让我们重新思考如何正确地将人类学习与机器学习联系起来。

假设我问你,“明天是星期几?”,你的回答是“星期天”。你主要是花些时间思考你脑海中的知识,然后检索得到你对应的答案ßß。

你一定是在学前班的时候了解到,一周有七天(周日到周六)。这是学习的数据,并存储在你的记忆中。

数据输入的同时,还有一种模式(学习)存储在你的记忆中。在这种情况下,学习指的是某一天(输入)如何与第二天(响应)相关联

在上表中,学习存储为输入(input)和响应(response)。请注意,这种学习对于当天到下一天的联系非常具体。在同一组数据上可以有不同的学习来回答不同类型的问题,例如,“昨天是什么时候?”

所以,当有人问你“明天是星期几?”时,你会使用当天(今天)作为输入,并参考上面的学习表以找到答案。最初,你可能没有意识到你正在执行这些步骤,但相信我,这就是背后发生的事情。

请注意,这是对人类学习的一个非常简单的解释,并涉及一小部分数据(1个输入,1个响应和7行数据)。在真实的商业问题中,可能有数千个输入列和数百万/十亿行并获得响应(输出)。随着数据集规模的扩大以及更多的输入、行(观察)、逻辑(学习)变得越来越复杂。这正是人类面临的挑战之所在,也是一些很好的机器学习的基础。机器学习是数据科学家和/或机器学习工程师开发的算法/模型,用于使计算机学习、识别模式并进行预测

亚马逊的产品推荐和Facebook的新闻推送是机器学习的两个很好的例子。在Facebook中,当某人频繁地阅读或喜欢某个帖子时,他/她将来会看到更多该特定朋友的活动。在幕后,你的导航数据被获得并存储。机器学习算法能够从你提供的这些模式或人类信号中进行学习。发现模式的技术称为算法或模型,为了简单起见,我们将讨论重点放在了模式识别上,但机器学习不仅限于模式识别;它还可以基于自动发现几个输入和响应(输出)变量之间的关系来预测输出值。

在未来的文章中,我希望能解释人工智能和机器学习中更多的技术概念。

参考链接:

https://medium.com/swlh/artificial-intelligence-vs-machine-learning-is-it-confusing-3ace59aa0d19

原文发布于微信公众号 - 专知(Quan_Zhuanzhi)

原文发表时间:2018-02-18

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏量子位

机器学习如何入门?Kaggle CTO刚刚写了份详细的指南

李林 编译整理 量子位 出品 | 公众号 QbitAI 上周,Ben Hamner很忙。 作为全球最大数据科学和机器学习竞赛平台Kaggle的联合创始人&CTO...

2564
来自专栏QQ会员技术团队的专栏

个性推荐理论与实践(上篇)

为什么要做个性推荐这个事情,比较常见的答案就是要做精细化运营。对于个性装扮业务也是一样,因为个性装扮的物品越来越多,表情就有1600多套,加上原创开放平台的上线...

4010
来自专栏腾讯云技术沙龙

王亮:游戏AI探索之旅——从alphago到moba游戏

今天分享的课题是游戏AI探索之旅。本次分享分为四部分,第一部分,什么是游戏AI,游戏AI为什么对现在的游戏非常重要;第二部分,业界和工业界对于做游戏AI主要的方...

3003
来自专栏机器之心

教程 | Kaggle CTO Ben Hamner :机器学习的八个步骤

选自Kaggle 作者:Ben Hamner 机器之心编译 参与:黄小天 上个月,Kaggle 联合创始人兼 CTO Ben Hamner 在 Quora 上...

2715
来自专栏专知

【下载】深度学习DL4j实战指南《Deep Learning—A Practitioner's Approach》

【导读】 深度学习工程师、deeplearning4j框架贡献者之一Adam Gibson等人的新书《Deep Learning—A Practitioner'...

4594
来自专栏新智元

Facebook AI 野心与LeCun的小目标:拥有类人智能的对话助理

【新智元导读】 不同于以往的“深度好文”,这篇描写 Facebook AI发展的文章不仅仅聚焦在机器学习技术,更多地强调各种先进的机器学习模型与Faceboo...

2836
来自专栏量子位

普通码农入门机器学习,必须掌握这些数据技能

王瀚宸 编译自 InfoWorld 作者 Ted Dunning MapR首席应用架构师 量子位 出品 | 公众号 QbitAI ? 其实,机器学习一直在解决着...

3165
来自专栏PPV课数据科学社区

我在面试机器学习、大数据岗位时遇到的各种问题

自己的专业方向是机器学习、数据挖掘,就业意向是互联网行业与本专业相关的工作岗位。各个企业对这类岗位的命名可能有所不同,比如数据挖掘/自然语言处理/机器学习算法工...

4426
来自专栏腾讯技术工程官方号的专栏

游戏AI探索之旅:从AlphaGo到MOBA游戏

3K6
来自专栏腾讯技术工程官方号的专栏

协同过滤在新闻推荐CTR预估中的应用

作者简介:minlonglin,AI平台部Y项目组员工。2012年毕业于中国科学技术大学计算机科学与技术学院,读博期间主攻集成学习、类别不平衡分类等方向,期间曾...

3688

扫码关注云+社区

领取腾讯云代金券