专栏首页技术翻译5分钟理解人工智能与机器学习的区别

5分钟理解人工智能与机器学习的区别

人工智能不是一个新名词,它已有数十年历史。从80年代初开始,计算机科学家设计了能够学习和模仿人类行为的算法。

在学习方面,最重要的算法是神经网络,由于过度拟合它不是很成功(模型强大但是数据不足)。然而,在一些更具体的任务中,使用数据来适应一个功能的想法已经取得了显著的成功,这是今天机器学习的基础。

在模拟方面,人工智能专注于图像识别、语音识别和自然语言处理等方面。专家们花费了大量的时间来创建诸如边缘检测、颜色配置文件、N-gram、语法树等功能。

传统机器学习

机器学习(MachineLearning,ML)技术在预测中发挥了重要作用,而ML经历了几代的发展才有了一套丰富的模型结构,例如:

· 线性回归

· 逻辑回归

· 决策树

· 支持向量机

· 贝叶斯模型

· 正则化模型

· 集合模型

· 神经网络

这些预测模型中的每一个都是基于一定的算法结构,参数为可调旋钮。训练预测模型包括以下步骤:

1. 选择模型结构(如逻辑回归、随机森林等)。

2. 用训练数据(输入和输出)为模型提供信息。

3. 学习算法将输出最优模型(即具有最小训练误差的特定参数的模型)。

每个模型都有自己的特点,在某些任务中表现良好,在另一些任务中表现不好。但一般情况下,我们可以将它们分为低功耗/简单模型和高功耗/复杂模型。在不同型号之间进行选择是一个非常棘手的问题。

传统上,使用简单模型比使用复杂模型更可取,原因如下:

· 在我们拥有巨大的处理能力之前,训练复杂模型将花费很长的时间。

· 除非我们有大量的数据,否则训练复杂模型会导致过拟合问题。

然而,选择低功耗模型存在所谓的“不匹配”的问题,即模型结构过于简单,无法适应更复杂的训练数据。(假设底层数据具有二次关系:y=5*x^2;无论我们选择什么a和b,都不可能拟合线性回归:y=a*x+b。)

为了缓解“不匹配”的问题,数据科学家通常会应用他们的“领域知识”来提出“输入特征”,这与输出有更直接的关系。(例如,回到y=5*square(X)的二次关系,如果创建一个特性z=x^2,则可以通过选择a=5和b=0来拟合线性回归:y=a*z+b。)

机器学习的一个主要障碍是这一特征工程步骤,它要求领域专家在输入训练过程之前识别重要的信号。特征工程步骤非常手动,需要大量的专业知识,因此成为当今大多数机器学习任务的主要瓶颈。

换句话说,如果我们没有足够的处理能力和足够的数据,那么我们必须使用低功耗/更简单的模型,这需要我们花费大量的时间和精力来创建适当的输入特性。这是大多数数据科学家今天花时间做的事情。

返回神经网络

在21世纪初,随着云计算和大规模并行处理基础设施的发展,机器处理能力大大提高,在大数据时代,大量的细粒度事件数据被收集起来。我们不再局限于低功耗/简单模式。例如,当今最流行的两种主流机器学习模型是随机森林和梯度增强树。然而,尽管两者都非常强大,并且提供了适合训练数据的非线性模型,但数据科学家仍然需要仔细地创建特征,以获得良好的性能。

与此同时,计算机科学家重新使用神经网络的许多层来完成这些人类模拟任务。这给深度神经网络(DNN)带来了新的发展,为图像分类和语音识别任务提供了重要的突破。DNN的主要区别在于,你可以直接将原始信号(例如,RGB像素值)输入DNN,而无需创建任何特定于域的输入特性。通过许多层的神经元(这就是为什么它被称为“深度”神经网络),DNN可以“自动”地通过每一层生成适当的特征,并最终提供一个非常好的预测。这大大节省了“特性工程”的工作,这是数据科学家所做的一个主要瓶颈。

DNN也演化成许多不同的网络拓扑结构,因此我们有CNN(卷积神经网络)、RNN(递归神经网络)、LSTM(长短时记忆)、GAN(生成对抗性网络)、迁移学习、注意力模型等。整个频谱被称为深度学习,它正在引起整个机器学习社区的关注。

强化学习

另一个关键的组成部分是如何模仿一个人(或动物)学习。想象一下感知/行动/奖励循环中的非常自然的动物行为。一个人或动物首先会通过感知他或她所处的“状态”来了解环境。基于此,他或她将选择一个“行动”,将他或她带到另一个“状态”。然后他或她将得到一个“奖励”。循环不断,直到他或她死去。这种学习方式(称为强化学习)与传统的有监督机器学习的曲线拟合方法有很大的不同。特别是,强化学习的发生非常快,因为每一个新的反馈(例如执行一个行动和得到一个奖励)被立即发送,以影响后续的决定。强化学习在自动驾驶汽车和Alphago(一种下棋机器人)方面取得了巨大的成功。

强化学习还提供了预测和优化的平滑集成,因为它在采取不同的行动时,保持了对当前状态和可能的转换概率的信念,然后做出能够导致最佳结果的决策。

深度学习+强化学习=AI

与经典的ML技术相比,DL提供了一个更强大的预测模型,通常可以产生良好的预测效果。与经典的优化模型相比,强化学习提供了一种更快的学习机制,也更能适应环境的变化。

原文标题《How AI Differs From ML》

作者:Ricky Ho

译者:lemon

不代表云加社区观点,更多详情请查看原文链接

原文链接:https://dzone.com/articles/how-ai-differs-from-ml

原文作者:Ricky Ho

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 深度学习和神经网络的六大趋势

    神经网络的基本思想是模拟计算机“大脑”中的多个相互关联的细胞,这样它就可以从环境中学习、识别不同的模式,并做出与人类相似的决定。

    liuxuewen
  • 每个人都应该了解机器学习

    在过去的几个月里,我有机会与很多决策者讨论人工智能,特别是机器学习。他们的投资者已经向他们的一些高管询问他们的机器学习(ML)策略以及他们已经实施ML的地方。那...

    liuxuewen
  • 大数据建模方法的比较

    在DT时代,互联网,智能设备和其他形式的信息技术的爆炸性增长使得数据以同样令人印象深刻的速度增长。这个时代的挑战似乎是如何对所有这些数据进行分类,组织和存储。

    liuxuewen
  • 人工智能与机器学习有哪些不同

    每天读一篇一线开发者原创好文 来自:51CTO.COM,作者:RickyHo,刘妮娜译 链接:http://network.51cto.com/art/2017...

    企鹅号小编
  • 制定「机器学习」学习计划【2】

    IT 行业发展迅速,各种新名词此起彼伏。身处这样一个热点行业,学习是必须的。 大数据、AI(人工智能)相继席卷世界后,作为程序员,真得学点机器学习了。具体为什么...

    叶锦鲤
  • 开发者成功使用机器学习的十大诀窍

    作者简介:Alexander Gray,Skytree首席技术官,佐治亚理工学院计算机学院副教授,主要致力于大规模数据集的机器学习算法技术研发,1993年开始...

    机器学习AI算法工程
  • 机器学习实践的10个小秘诀

    导读:对于开发人员而言,基于云的机器学习工具带来了使用机器学习创造和提供新的功能的可能性。然而,开发者想要在它们的应用程序中融入机器学习,通常会犯一些错误,本文...

    用户2769421
  • 开发者成功使用机器学习的十大诀窍

    在提供发现埋藏数据深层的模式的能力上,机器学习有着潜在的能力使得应用程序更加的强大并且更能响应用户的需求。精心调校好的算法能够从巨大的并且互不相同的数据源中提取...

    CSDN技术头条
  • 【陆勤阅读】【推荐】开发者成功使用机器学习的十大诀窍

    作者|Alexander Gray 编译|刘帝伟 转自|CSDN 在提供发现埋藏数据深层的模式的能力上,机器学习有着潜在的能力使得应用程序更加的强大并且更能响应...

    陆勤_数据人网
  • 技能 | 开发者成功使用机器学习的10大诀窍

    基于云的机器学习工具带来了使用机器学习创造和提供新的功能的可能性。然而,当我们使用不当时,这些工具会输出不好的结果。想要在应用程序中成功地融入机器学习的开发者...

    CDA数据分析师

扫码关注云+社区

领取腾讯云代金券