标签：计算机系 哪些 方式 逻辑 文章 形式 并且 回顾 美国
人工智能、机器学习和深度学习——把这些术语放在一起容易混淆，所以这篇文章我们将从一些简短的定义来介绍。? 人工智能意味着让计算机以某种方式模仿人类行为。
? 机器学习是人工智能的一个子集，它包括使计算机能够从数据中找出问题并交付人工智能应用程序的技术。
? 与此同时，深度学习是机器学习的一个子集，它使计算机能够解决更复杂的问题。
下面将通过一些通俗易懂的例子来简单说明人工智能、机器学习和深度学习的区别。
人工智能作为一门学科创建于1956年的美国。当时的目标和现在一样，是让计算机执行被视为人类独有的任务：需要智力的任务。最初，研究人员研究的问题包括下棋和解决逻辑问题。如果你观察下跳棋程序的输出，你会发现这些动作背后隐藏着某种形式的“人工智能”，尤其是当电脑打败你的时候。早期的成功使第一批研究人员对AI的可能性表现出几乎无限的热情，与之匹配的只是在他们错误判断某些问题有多难的程度上。因此，人工智能指的是计算机的输出。计算机正在做一些智能的事情，所以它展示的是人工智能。
从那以后的几十年中，人们一直将AI视为人类文明最光明的未来的关键，而在过去的几年中，AI迅猛发展，尤其是自2015年以来。这很大程度上与GPU的广泛可用性有关，这些GPU使并行处理变得更快，更便宜，更强大。它还与同时进行的无限存储和每条数据洪流有关（整个大数据运动）-图像、文本、事务、映射数据，应有尽有。
现在，AI更多的被描述为关于构建智能计算机程序来执行这些任务：视觉感知、语音识别和情绪分析。例如，自驾驾驶汽车需要计算机具有视觉感知能力，另外像Siri这样的应用程序需要具有语音识别能力。星巴克通过允许通过语音命令提前订购来增强了其移动应用程序，而Staples的Easy System则允许客户使用语音命令进行订购。
但是，AI这个术语并没有说明有的问题是如何解决的。有许多包括规则型和专业型系统的不同技术。其中有一类技术在20世纪80年代开始得到更广泛的应用：那就是机器学习。
这些早期研究人员发现一些问题更难的原因是，这些问题根本不适合早期用于人工智能的技术。硬编码算法或固定的、基于规则的系统在图像识别或从文本中提取内容等方面表现得并不尽如人意。结果证明，解决方案不仅仅是模仿人类行为(AI)，而是模仿人类的学习方式。
想想你是如何学会阅读的。在拿起你的第一本书之前，若没有坐下来学习拼写和语法，你只能读简单的书，随着时间的推移，你会读到更复杂的书。实际上，你从阅读中学到了拼写和语法的规则。换句话说，你处理了很多数据并从中学习。
这正是机器学习的理念。机器学习是AI的核心驱动力。 简单的说就是用算法来发现数据的有趣内容的过程，而无需编写解决特定问题的代码。 换句话说，这是一种用最少的编程方式让计算机从数据中学习。 取代编写代码，你只需提供给机器数据，机器会根据这些数据构建自己的逻辑功能。那么这在实践中如何工作呢？ 一切都是从“训练数据”开始的。你提供一组数据给数据模型帮助它进行训练。 你提供模型的数据越多，它就会越健壮。当你将训练数据提供给您的机器学习模型时，这些数据由一组属性和特征进行定义。 由机器学习模型来确定如何理解所有这些属性。通过给算法(而不是你的大脑)输入大量数据，让它把事情弄清楚。给算法输入大量关于金融交易的数据，告诉它哪些是欺诈行为，让它找出哪些是欺诈行为，从而预测未来的欺诈行为。或者给它提供关于你的客户群的信息，让它找出最好的细分方法。
随着这些算法的发展，它们可以解决很多问题。但有些人类觉得简单的东西(比如语音或手写识别)对机器来说仍然很困难。然而，如果机器学习是模仿人类的学习方式，为什么不直接模仿人类的大脑呢？这就是神经网络背后的理念。
使用人工神经元(由突触连接的神经元是大脑中的主要元素)的想法已经存在了一段时间。软件模拟的神经网络开始被用于解决某些问题。它们显示出了很大的潜力，能够解决一些其他算法无法解决的复杂问题。
但机器学习仍然被困在连许多小学孩子们都可以轻松解决的问题上，比如：这张照片里有多少只是狗，多少是狼？如何分辨生香蕉和熟香蕉？是什么让书中的这个角色哭得这么厉害?
事实证明，这个问题与机器学习的概念无关，甚至还有模仿人类大脑的想法。只是简单的神经网络，有100甚至1000个神经元以相对简单的方式连接在一起，只是无法复制人脑的功能。如果你仔细想想，应该不会感到惊讶：人类大脑有大约860亿个神经元非常复杂的相互连接。
简而言之，深度学习就是使用包含更多神经元、层次和互联性的神经网络。我们离模拟人脑的复杂性还有很长一段路要走，但我们正在朝着这个方向前进。
谷歌在其语音和图像识别算法中使用了深度学习，Netflix和亚马逊使用了深度学习来决定下一步要观看或购买的东西，麻省理工学院的研究人员则用它们来预测未来。
当你读到从自动驾驶汽车到玩围棋的超级计算机再到语音识别等计算机技术的进步时，你就会发现这其实是一种隐藏的深度学习。你会体验到某种形式的人工智能。在幕后，人工智能是由某种形式的深度学习驱动的。
让我们来看看深度学习与简单的神经网络或其他形式的机器学习有何不同。
深度学习的原理
本质上，深度学习涉及为计算机系统提供大量数据，该数据可用于做出有关其他数据的决策。与机器学习一样，这些数据是通过神经网络输入的。这些网络是一种逻辑结构，它对通过它们的每一位数据都提出一系列二进制真/假问题，或提取一个数值，并根据所得到的答案对其进行分类。
因为深度学习工作的重点是开发这些网络，它们变成了所谓的深度神经网络——具有处理诸如Google的图像库或Twitter推文之类的大数据集所需的复杂性的逻辑网络。
有了如此全面的数据集，以及足以处理其分类的复杂逻辑网络，对于一台计算机来说，获取一张图像并以极高的概率准确地描述它对人类的意义就变得轻而易举了。
深度学习能够很好的自动学习带嘈杂的数据（读取：非结构化的），以便算法能够更有效地学习。 它还可以：
? 使用复杂的算法来执行任务，并在很少或是根本没有人力监督的情况下进行学习。
? 学习如何学习。 例如，像Google使用深度学习来不断强化照片中的面部识别能力。
如果我给你一些马的图像，你会认出它们是马，即使你从来没有见过那个图像。不管马是躺在沙发上，还是在万圣节盛装打扮得就像一只河马。你能认出这是一匹马，是因为你知道定义一匹马的各种要素：它的口鼻形状、腿的数量和位置等等。
深度学习可以做到这一点。这对很多事情都很重要，包括自动驾驶汽车。在汽车决定下一步行动之前，它需要知道周围是什么。它必须能够识别人、自行车、其他车辆、路标等等。并在具有挑战性的视觉环境中这样做。然而标准的机器学习技术则无法做到这一点。
以自然语言处理为例
自然语言处理（NLP）是机器学习的一种形式，通过在大量数据中查找行为模式来识别语言及其许多用法和语法规则。 它可以：
? 进行情感分析，其中算法在社交媒体帖子中寻找行为模式，以了解客户对特定品牌或产品的感受。
? 语音识别，提供从“聆听”到基于音频产生的文本文件。
? 问答解答，通常以具体答案处理这些问题（例如，4的平方根是什么？），未来还要探讨如何处理更复杂和开放性问题。
自然语言处理被用于聊天机器人和智能手机语音助手时，思考以下这句话，并完成填空:
我出生在意大利，尽管我大部分时间生活在葡萄牙和巴西，我仍然可以说一口流利的____。
希望你能发现最有可能的答案是意大利语(尽管你回答法语、希腊语、德语等好像都可以)。但是想想得出这个结论需要什么。
首先，你需要知道填空的单词是一种语言。如果你能理解“我能说一口流利的…”你就能确定。要得到答案是意大利语，你必须回顾一下这句话并且不被文中的葡萄牙和巴西所迷惑。“我出生在意大利”意味着我在成长过程中学习意大利语（根据维基百科，有93%的可能性），因此你需要理解“出生”的含义。 尽管”和“仍然”的组合清楚地表明我不是在说葡萄牙语，带你回到意大利这个答案。所以意大利语是可能的答案。
想象一下你大脑中的神经网络发生了什么。比如“出生在意大利”和“尽管…任然”这样的事实是你大脑的其他部分在你做事情的时候的输入。这一概念通过复杂的反馈回路被引入到深度神经网络中。
深度学习能做什么？
现在已经部署或正在使用的一些令人印象深刻的应用程序包括：
自动驾驶汽车导航–通过传感器和车载分析，汽车正在学习识别障碍物并使用深度学习对其做出适当反应。
对黑白图像重新着色–通过教计算机识别物体并了解它们对人类的外观，可以将色彩还原为黑白图片和视频。
预测法律程序的结果– 在证明案件的基本事实后，一个由英国和美国研究人员组成的系统最近被证明能够正确预测法院的判决。
精密医学–深度学习技术被用于开发针对个人基因组进行基因改造的药物。
自动化的分析和报告–系统可以分析数据并以自然的人类语言报告报告的见解，并附带我们可以轻松消化的信息图表。
玩游戏——深度学习系统已经被教会玩(和赢)游戏，比如棋盘游戏Go和雅达利电子游戏Breakout。
深度学习已实现了机器学习的许多实际应用，并扩展了AI的整个领域。深度学习将任务分解成各种方式，使得各种机器辅助似乎都是可能的，甚至是可能的。无人驾驶汽车，更好的预防保健，甚至更好的电影推荐都在今天或即将出现。人工智能是现在和未来。在深度学习的帮助下，人工智能甚至可以达到我们长期以来想象的科幻状态。
综上，希望本文开头的第一个定义能够解释得通。人工智能指的是在某种程度上显示出类似人类智能的设备。AI有很多技术，但其中一个很大的子集是机器学习——让算法从数据中学习。最后，深度学习是机器学习的一个子集，使用多层神经网络来解决最难的问题。
如需了解更多，欢迎访问怡海软件官网 http://www.frensworkz.com/
标签：计算机系 哪些 方式 逻辑 文章 形式 并且 回顾 美国
原文地址：https://blog.51cto.com/14369054/2489727
