人工智能除了机器学习，还包含了哪几种学习形态？

在人工智能领域中机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径。在人工智能的机器学习形态之下，还存在着以下几种学习形态：

1、深度学习

深度学习又叫深层神经网络，是机器学习研究中的一个新领域，其动机在于建立、模拟人脑进行分析学习的神经网络，深度学习可以帮助机器人模拟人脑的机制来解释数据，比如图像、声音和文本等。深度学习，能让计算机具有人一样的智慧。

2、强化学习

在人工智能领域中的很多应用问题需要在某刻时刻做出决策并执行动作。譬如对于自动驾驶的算法来说，需要根据路况来确定当前的行驶策略以保证可以安全行驶到目的地。即根据当前的条件作出决策和动作，以达到某一预期目标。解决此类问题的机器学习算法被称为强化学习。

AI机器学习

3、联邦学习

通过将企业、机构数据在不共享的情况下共同建模，提升模型效果。实际上是一种加密的分布式机器学习技术，参与各方可以在不披露底层数据和底层数据的加密形态的前提下共建模型。

4、元学习

元学习是要“学会如何学习”，即利用以往的知识经验来指导新任务的学习，具有学会学习的能力。元学习是实现通用人工智能的关键，因为它使人工智能能学会思考与推理。

人工智能机器学习形态的应用场景：

1、过程自动化：可以帮助公司优化成本，改善客户体验，扩大服务规模。具体应用实例包括：客服中心自动化和文书工作自动化等。

2、反欺诈：随着交易、用户和第三方集成数量的增长，金融领域的安全威胁也在不断增加。机器学习算法在检测欺诈方面也很出色。

3、信用/承保评分：机器学习算法适合运用于金融和保险承保过程中。机器学习模型可以在现实环境中执行承保和信用评分任务。这种评分系统可以提高相关从业人员的效率和精确度。

人工智能机器学习