人工智能及机器学习的基本概念

机器学习是实现人工智能的一种方式,而深度学习是机器学习的一个分支。人工智能的根本在于智能,而机器学习则是部署支持人工智能的计算方法。简单的将,人工智能是科学,机器学习是让机器变得更加智能的算法,机器学习在某种程度上成就了人工智能。

人工智能三种类型

■弱人工智能 Weak AI:机器通过机器学习之类的技术从大量数据中学到一些规律。比如说AlphaGo虽然看上去比人类还要厉害,但依然只是弱人工智能,因为你让它干其他活就不会了,而且也没有情绪。

■强人工智能 Strong AI:机器具有意识,能够完全像人一样思考和具有感情。而且人类能干的脑力活它都能干,Linda Gottfredson教授把智能定义为“一种宽泛的心理能力,能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作”。到目前为止应该还没有出现强人工智能。

■超级智能 Support-Intelligence:机器具有比人类更强大的智慧。因为这类人工智能存在,很多人类就开始各种担忧。其实不管是目前人工智能到达哪个阶段,但总的来说人工智能出现的初衷不是为了巅峰人类,而是为了满足人类的需求。

机器学习领域

人们希望能够借助机器的力量来自动完成一些任务,从而将人类从烦琐的事项中解放出来,比如自动监测违规车辆,自动人脸识别等;总的来说过程涉及两个要点:认知这个世界,获取信息及根据信息进行判断和决策。

机器学习包括选择数据、模型数据、验证模型、测试模型、使用模型、调优模型这些工作流程,应用到的领域非常广泛。

■视觉相关:物体识别、图像分割、图像索引、人脸识别、场景识别、场景匹配等;

■听觉相关:语音识别、乐曲片段匹配、自动作曲等;

■认知相关:自然语言处理、专家系统等;

■对人群偏好的推测:网页推荐、广告推荐、购物产品推荐、电影推荐等;

机器学习方法分类

■监督学习 SupervisedLearning:通过对标注的训练数据进行学习,得到一个从输入特征到标签的映射模型,在利用这个模型对未知标签的新数据进行预测。

■无监督学习 Unsupervised Learning:不需要对训练数据进行标注,直接对数据进行建模。

■半监督学习 Semi-SupervisedLearning:介于监督学习和无监督学习之间的方法。

■增强学习 ReinforcementLearning:一种交互式的学习方法,模型根据环境给予的奖励或惩罚不断调整自己的策略,尽量获得最大的长远收益。

业界得到较多应用的主要是监督学习,监督学习需要训练数据,其本身由模型、策略和算法三要素组成。机器学习常用的模型很多,比如线性模型、逻辑回归、SoftMax、神经网络/深度学习、SVM、决策树、随机森林、GBDT、与矩阵分解相关的系列模型等。

神经网络Neural Network是从人类脑神经元的研究中获得灵感,模拟其神经元的功能和网络结构,来完成认知任务的一类机器学习算法。而深度学习Deep Learning则是指多层神经网络,即隐层大于一层的神经网络。

神经网络主要思想是模拟人类大脑的行为来处理数据。就像大脑中真实神经元之间相互连接形成的网络一样,人工神经网络由多层组成。每层都是一系列神经元的集合,这些神经元负责检测不同的食物。一个神经网络能够连续地处理数据,这意味着只有第一层才与输入直接相连,随着模型层数的增加,模型将学到越来越复杂的数据结构。当层数大量地增加,模型通常就是一个所谓的深度学习模型。很难给一个深度网络确定一个特定的网络层数,10年前通常3层神经网络就可谓深,而如今通常需要20层。

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180504G0PPKE00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券