人工智能的亲属关系

人工智能、机器学习和深度学习是全球范围内的热门话题，应用程序被部署在所有主要的业务领域。这些术语让很多人感到困惑，而且经常互换使用。如果你也存有疑惑，那么让我们试着理解人工智能、机器学习和深度学习之间的关系。

人工智能是机器学习(ML)和深度学习(DL)的统称。ML是AI的子集，DL是ML的子集。

人工智能

AI是由人工和智能两个词组成的。任何非自然的和人类创造的东西都是人造的。智能是指理解、推理、计划等的能力。所以我们可以说，任何能够让机器模仿、发展或展示人类认知或行为的代码、技术或算法都是人工智能。

人工智能的概念非常古老，但最近才流行起来。这是为什么呢?

原因是我们之前只根据很少的数据来做出准确的预测。但今天，每分钟产生的数据量都在急剧增加，这有助于我们做出更准确的预测。除了海量的数据，我们还拥有更先进的算法、高端的计算能力和能够处理海量数据的存储。例子包括特斯拉的自动驾驶汽车，苹果的Siri等等。

机器学习

我们已经了解了什么是人工智能，但引入机器学习的原因是什么?

有几个原因是：

在统计学领域，问题是“如何有效地训练大量复杂模型?”，而在《计算机科学与人工智能》中，问题是“如何训练更健壮的人工智能系统?”

因为这些问题，机器学习被引入。

什么是机器学习?

这是人工智能的一个子集，它使用统计方法使机器能够随着经验而改进。它使计算机能够采取行动，并采取数据驱动的决策来执行特定的任务。这些程序或算法是这样设计的，当接触到新的数据时，它们可以随着时间的推移而学习和改进。

例子：

假设我们想要创建一个系统，根据身高告诉我们一个人的体重。首先，我们将收集数据。

然后，我们将画一条简单的线来根据身高预测体重。一条简单的线可以是W=H-100

(W=重量,单位为公斤，H=高度，单位为厘米)。

这条线可以帮助我们做出预测。我们的主要目标是减少估计值和实际值之间的距离。也就是减少误差。为了达到这一点，我将画一条直线，它涵盖所有的点。

我们的主要目标是使误差最小化。减小实际值与估计值之间的误差可以提高模型的性能，并且我们收集的数据点越多，我们的模型就越好。

所以当我们输入一个人的身高的新数据时，它可以很容易地告诉我们这个人的体重。

深度学习

深度学习是机器学习的一个子领域，涉及受大脑结构和功能启发的算法，称为人工神经网络。

这是一种特殊的机器学习，它的灵感来自于我们被称为神经元的脑细胞的功能，这导致了人工神经网络(ANN)的概念。人工神经网络采用多层人工神经元或计算单元来接收输入，并应用带有阈值的激活函数。

在简单模型中，第一层是输入层，然后是隐藏层，最后是输出层。每一层包含一个或多个神经元。

简单的例子来理解事情是如何在概念层面上发生的。

你如何区分正方形和其他形状?

我们要做的第一件事是检查这个图形是否有四条线。如果是，我们进一步检查是否所有的线路闭合。如果是，我们最后检查是否所有的边都是垂直的并且所有的边都是相等的。

如果这个图形满足所有条件，我们就认为它是正方形的。

正如我们在例子中看到的，它只是概念的嵌套层次结构。所以我们把识别正方形这个复杂的任务分解成更简单的任务。深度学习也做同样的事情，但规模更大。

例如，一台机器执行识别动物的任务。

如果我们要求我们使用概念机器学习来解决这个问题，那么我们就会定义一些特征，比如检查它是否有胡须，检查尾巴是直的还是弯的，以及许多其他特征。我们将定义所有特征，并让我们的系统识别哪些特征在对特定动物进行分类时更重要。现在，当涉及到深度学习时，它会领先一步。与机器学习相比，深度学习可以自动发现哪些特征对分类最重要，而机器学习必须手动给出特征。

所以到目前为止，我们知道人工智能是一个更大的图景，机器学习和深度学习是它的子集。

机器学习(ML) vs深度学习(DL)

理解机器学习和深度学习之间区别的最简单方法是“DL就是ML”。更具体地说，它是机器学习的改进。

让我们用几个重要的参数来比较机器学习和深度学习。

1. 数据依赖关系

两者之间最重要的区别是数据大小增加时的性能。由于数据量很小，深度学习的体现不大，但为什么呢?

这是因为深度学习算法需要大量的数据才能完全理解它。另一方面，机器学习在较小的数据集上工作得很好。

2. 硬件依赖

深度学习算法高度依赖于高端机器，而机器学习算法也可以在低端机器上工作。这是因为深度学习算法的要求包括GPU，这是其工作的一个组成部分。GPU是必需的，因为它们执行大量的矩阵乘法操作，这些操作只有在使用GPU时才能有效地优化。

3. 特性工程

它是将领域知识用于降低数据复杂性和使模式对学习算法更可见的过程。这个过程是困难和昂贵的。在机器学习的情况下，大多数特征需要由专家识别，然后根据领域和数据类型手工编码。机器学习的性能取决于识别和提取特征的准确性。但在深度学习中，它试图从数据中学习高级特征，因此它领先于机器学习。

4. 解决问题的方法

当我们使用机器学习解决问题时，建议先将问题分解成子部分，单独解决它们，然后将它们组合起来得到最终结果。另一方面，在深度学习中，它解决了端到端的问题。

例如,任务是多对象检测，即对象是什么以及它在图像中的位置。

那么让我们看看如何使用机器学习和深度学习来解决这个问题。

在机器学习方法中，我们将问题分为两部分。目标检测和目标识别。

我们将以像边界盒检测这样的算法为例，扫描图像并检测所有物体，然后使用物体识别算法识别相关物体。当我们结合两种算法的结果时，我们将得到最终的结果，即物体是什么以及它在图像中的位置。

在深度学习中，它从头到尾执行这个过程。我们将把图像传递给算法，算法将给出对象的位置和名称。

5. 执行时间

深度学习算法需要大量的时间来训练。这是因为深度学习算法中有太多的参数，需要比平时更长的训练时间。而在机器学习中，与深度学习相比，训练时间相对较少。

现在，当涉及到数据测试时，执行时间完全相反。在测试过程中，深度学习算法的运行时间非常少，而像KNN这样的机器学习算法的测试时间随着数据大小的增加而增加。

6. 可解释性

这就是为什么人们在行业中使用它之前会考虑很多的主要原因。假设我们使用深度学习来自动评分。它给出的表现很好，和人类一样但有一些问题它没有告诉我们为什么它会给出这个分数，实际上，从数学上讲，有可能找出深度神经网络的哪些节点在那个时候被激活了，但我们不知道神经元应该建模什么以及这些层在一起做什么。所以我们无法解释结果，但是在机器学习算法中，比如决策树给了我们一个清晰的规则，为什么它选择了它选择的东西，所以很容易解释它背后的推理。

我希望现在你对这三者都有了清晰的认识，它们之间的关系以及它们之间的不同之处。

本文转载自 雪兽软件

更多精彩推荐请访问 雪兽软件官网