|
转载| 52篇。 编辑|雷教训。 在过去的几年里，人工智能仍然是最热门的话题之一。为了有效地使用它，你需要了解它的组成部分。 事实上，未来一万家创业公司的商业计划很容易预测：x和AI。寻找可以通过增加在线智能做得更好的东西在过去的几年里，人工智能仍然是最热门的话题之一。 最优秀的头脑参与人工智能研究，最大的公司分配天文数字来发展他们在这一领域的能力，人工智能初创公司每年收集数十亿美元的投资。 如果你从事业务流程改进或为业务寻找新的想法，你很可能会遇到AI。为了有效地使用它，你需要了解它的组成部分。 人工智能 让我们来看看什么是人工智能。使通常由人类完成的智力任务自动化的努力。因此，人工智能是一个涵盖机器学习和深度学习的通用领域，但它也包括许多不涉及任何学习的方法。在现代意义上，人工智能的历史始于20世纪50年代，当时艾伦图灵(Alan Turing)和达特茅斯工作坊(Dartmouth workshops)的作品聚集了该领域的第一批爱好者，阐述了人工智能科学的基本原理。此外，为了成为当今世界科学的关键领域之一，该行业经历了几个利益激增和随后衰落的周期(所谓的“人工智能冬天”)。值得一提的是强人工智能和弱人工智能的假设。强大的AI可以独立思考和实现自己。弱AI被剥夺了这种能力，只能执行一定范围的任务(下棋、识别图像中的猫或画图，花费43.25万美元)。所有现有的AI都很弱，不用担心。如今，很难想象没有AI的任何一种活动。无论是开车、自拍、在网店买自己的球鞋还是计划度假，几乎每个地方都有小而弱但已经非常有用的人工智能来帮助你。 机器学习 学习能力是智力的关键特征之一(人为的，不是真的人为的)。对于AI来说，一系列的机器学习模型负责这个功能。它们的本质非常简单：与经典算法不同，经典算法是一组清晰的指令，将输入的数据转化为结果，而基于数据实例和相应结果的机器学习将发现数据中的模式，并产生一种将任意数据转化为期望结果的算法。机器学习主要分为三类：(1)监督学习-training系统根据数据举例，并且每个例子都有以前已知的结果。机器学习有两个最流行的任务：回归和分类。回归是对连续结果的预测，如房价或制造业排放水平。分类-类别(class)预测，例如，电子邮件是否是垃圾邮件，以及这本书是侦探小说还是百科全书。(2)无监督学习-The系统在数据中寻找内部关系和模式。在这种情况下，每个示例的结果都是未知的。(3)强化学习是一种方法，在这种方法中，系统奖励正确的行为，惩罚错误的行为。因此，该系统学会了开发一种算法，在该算法中，它获得最高的奖励和最低的惩罚。理想的机器学习模型可以分析任何数据，找到所有模式，并创建算法来实现任何期望的结果。然而，这种理想模式尚未产生。你可以在佩德罗多明戈斯的“主算法”中找到它的创建路径。 今天的机器学习模型专注于某些任务，每种任务都有其优缺点。这些模型包括以下内容：(1)线性回归是从统计数据中推导出来的经典模型。顾名思义，它是为回归任务(即连续值预测)而设计的。例如，根据天气的不同，卖多少柠檬水。(2)Logistic回归用于分类任务。它预测给定样本属于特定类别的概率。(3)决策树经常被用来给任务分类。在这种方法中，给定对象的类被定义为一系列问题，每个问题通常涉及一个是或否的答案。(4)K最近邻居是一种简单快速的方法，主要用于分类。在该方法中，数据点类别由k确定，k与数据点示例最相似(k可以是任何数字)。(5)朴素贝叶斯是一种流行的分类方法，它使用概率论和贝叶斯定理来确定事件(电子邮件是垃圾邮件)在给定条件下的可能性(在电子邮件中“免费贷款”一词被发现20次)。(6)SVM是一种有监督的机器学习算法，通常用于分类任务。即使每个对象都有许多相互关联的功能，它也能有效地分离不同类的对象。(7)集合结合了许多机器学习模型，并基于投票或平均每个模型的响应来确定对象的类别。基于(8)神经网络's人脑的原理。神经网络由许多神经元及其连接组成。神经元可以表示为具有多个输入和一个输出的函数。每个神经元从输入中获得参数(每个输入可能有不同的权重，这决定了它的重要性)，对它们执行特定的功能，并将结果提供给输出。人工智能和机器学习、深度学习有什么区别？https://www.aaa-cg.com.cn/神经元结构图； 具有两个隐藏层的人工神经网络； 通过研究给定的例子，神经网络将调整神经元之间的权重，从而将最大的权重赋予对获得所需结果影响最大的神经元。例如，如果一只动物身上有条纹，毛茸茸的，并且有猫的叫声，那么它可能是一只猫。同时，我们为cat参数指定了最大权重。因此，如果动物没有条纹和绒毛，但有猫的叫声——它可能仍然是一只猫。 深度学习 深度学习涉及深度神经网络。对深度的看法可能会有所不同。有专家认为，如果一个网络有多个隐藏层，就可以算是深度网络。其他专家认为，只有具有许多隐藏层的网络才能被视为深度网络。现在几种类型的神经网络正在被积极使用。最流行的有：(1)长短期记忆(LSTM)——用于文本分类和生成、语音识别、音乐制作和时间序列预测。(2)卷积神经网络(CNN)——用于图像识别、视频分析和自然语言处理任务。 结论 那么AI，机器学习和深度学习有什么区别呢？我们希望在阅读了人工智能和机器学习以及深度学习的区别之后，你已经知道了这个问题的答案。人工智能是智能任务(如阅读、玩围棋、图像识别和创建自动驾驶汽车)自动化的一般领域。机器学习是负责AI学习能力的一组人工智能方法。深度学习是机器学习方法的一个子类，用于研究多层神经网络。ActiveWizards是一个由数据科学家和工程师组成的团队，致力于数据项目(大数据、数据科学、机器学习、数据可视化)。核心专业领域包括数据科学(研究、机器学习算法、可视化和工程)、数据可视化(d3.js、Tableau等)。)，大数据工程(Hadoop、Spark、Kafka、Cassandra、HBase、MongoDB等。)，以及数据密集型Web应用程序开发(RESTful API、Flask、Django、Meteor)。 END |
