人工智能(AI)、机器学习、深度学习 的关系

文章目录一、人工智能的定义二、人工智能、机器学习、深度学习的关系1.人工智能2.机器学习(1)监督学习和无监督学习 (unsupervised learning)3.深度学习4.深度学习和机器学习的核心区别三、应用一、人工智能的定义“根据AI领域两位泰斗斯图亚特·罗素Stuart Russell和彼得·诺维格Peter Norvig合著的经典著作《人工智能一种现代的方法》人工智能的核心目标是通过计算机程序或机器来模拟人类智能涵盖语言理解、问题解决、学习、认知和决策等多方面能力。因此AI的本质在于算力和算法的发展而非依赖于物理形态。基于这一理念本次榜单专注于非具身智能企业排除了如机器人例如优必选、智能汽车例如小鹏汽车、智能飞行器例如大疆和智能家居例如科沃斯等具身智能企业。”二、人工智能、机器学习、深度学习的关系人工智能AI ⊇ 机器学习 ⊇ 深度学习1.人工智能人工智能(artificial intelligence, AI)是一个很大的概念。2.机器学习机器学习(Machine Learning)(1)监督学习和无监督学习 (unsupervised learning)3.深度学习深度学习(Deep Learning)依赖于神经网络。通过复杂的神经网络机器可以被训练根据特征来区分猫和狗等物体的。随着神经网络的进一步发展机器已经学会自己分析特征。只要给的训练集越多机器的识别率就越高。现如今机器的识别正确率已经达到了95%以上即已经超过了人类分辨物体的正确率。4.深度学习和机器学习的核心区别1.特征提取的方式机器学习人工设计特征。你需要依靠领域专家知识手动设计出能描述数据的关键指标如颜色、形状、纹理再把这些“特征”喂给模型。特征工程占工作量的80%模型本身只是分类器。深度学习自动学习特征。你只需把原始数据如图像像素、音频波形直接扔进网络模型通过多层神经元自动从底层边缘组合成高层语义如从“像素→线条→眼睛→人脸”。这是一个“端到端”的学习过程特征提取与模型训练融为一体。2.数据规模与扩展性性能天花板机器学习在小数据集几十到几万条上表现优异且性能会随数据增加而饱和数据再多准确率也不再提升。深度学习在大数据集百万级以上上性能持续增长Scaling Law。数据量越小深度学习越容易过拟合表现甚至不如传统机器学习。3.可解释性与理论基础机器学习白盒。决策树的分支规则、线性回归的权重系数你可以清晰地解释“为什么做出这个决策”在金融风控、医疗诊断等强监管领域是刚需。深度学习黑盒。数十亿参数交织成一个复杂的非线性系统你很难解释某个神经元具体学到了什么。虽然目前有可视化技术但本质上仍是“知其然不知其所以然”。三、应用至于计算机视觉CV和自然语言处理NLP它们并不是深度学习的子集而是应用领域。深度学习是实现这些应用的常见方法但它们本身属于人工智能或机器学习的应用方向。具体来说计算机视觉CV使用机器学习和深度学习等技术让计算机能够理解和处理图像和视频。自然语言处理NLP涉及到计算机如何理解、处理和生成自然语言如文本和语音。因此CV和NLP并不是深度学习的子集它们是人工智能的应用领域而深度学习是其中的一种实现技术。