人工智能是一般類別，三者都是共同的。 在圖表中，人工智能將是包含機器和深度學(xué)習(xí)的更大的封裝圈。 AI基本上是由機器演示的任何智能，在遇到問題時將其引導(dǎo)到最佳或次優(yōu)解決方案。現(xiàn)在，像這樣的算法不具備大多數(shù)人將“AI”與之相關(guān)聯(lián)的認知，學(xué)習(xí)或解決問題的能力。 然而，該算法只是一個代理，在給定問題及其狀態(tài)的情況下導(dǎo)致最優(yōu)解。
屬于AI但不屬于機器學(xué)習(xí)的代理通常是僅使用決策樹用于邏輯的代理，或者是使用規(guī)則和指令構(gòu)建的代理。
機器學(xué)習(xí)：認知的跡象
Arthur Samuel在1959年創(chuàng)造了“機器學(xué)習(xí)”一詞，將其定義為“沒有明確編程就能學(xué)習(xí)的能力。”機器學(xué)習(xí)，最基本的形式，是使用算法解析數(shù)據(jù)，從中學(xué)習(xí)，以及 然后對世界上的某些事物做出決定或預(yù)測。 初學(xué)者最常見的例子是房價。 Redfin或Zillow這樣的網(wǎng)站如何預(yù)測當(dāng)前擁有的房屋的價格是多少?
這并不復(fù)雜。 機器學(xué)習(xí)的核心是，除了在很多方面外，它實際上只是制作了最佳的線條。 房價預(yù)測模型會查看大量數(shù)據(jù)，每個數(shù)據(jù)點都有幾個維度，如大小，臥室數(shù)，浴室數(shù)，庭院空間等。它會根據(jù)這些輸入?yún)?shù)創(chuàng)建一個函數(shù)，然后將系數(shù)轉(zhuǎn)換為 這些參數(shù)中的每一個都在查看越來越多的數(shù)據(jù)。
這種機器學(xué)習(xí)方法稱為“監(jiān)督學(xué)習(xí)”，其中給予模型的數(shù)據(jù)包括每個輸入集的問題答案。 它基本上為每組特征提供輸入?yún)?shù)，稱為特征和輸出，模型從中調(diào)整其功能以匹配數(shù)據(jù)。 然后，當(dāng)給定任何其他輸入數(shù)據(jù)時，模型可以執(zhí)行相同的功能并產(chǎn)生準確的輸出。
機器學(xué)習(xí)的其他派系是無監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)。 簡而言之，無監(jiān)督學(xué)習(xí)只是發(fā)現(xiàn)數(shù)據(jù)的相似之處 - 在我們的房子示例中，數(shù)據(jù)不包括房價(數(shù)據(jù)只會輸入，它沒有輸出)，模型可以說“嗯，基于這些參數(shù)，House 1最類似于House 3“或類似的東西，但無法預(yù)測給定房屋的價格。
代理在環(huán)境中采取行動，該環(huán)境被解釋為狀態(tài)的獎勵和表示，其被反饋到代理中。 想想一個小寶寶：哭泣導(dǎo)致糖果 - 獎勵。 隨著時間的推移，如果父母一直滿足孩子對糖果的渴望，嬰兒每次想要糖果時都會學(xué)會哭泣。
深度學(xué)習(xí)：與人類的聯(lián)系
深度學(xué)習(xí)的靈感來自大腦的結(jié)構(gòu)和功能，即許多神經(jīng)元的互連。 神經(jīng)網(wǎng)絡(luò)是模擬大腦生物結(jié)構(gòu)的算法。
神經(jīng)網(wǎng)絡(luò)在人腦上松散地建模，由數(shù)千甚至數(shù)百萬個密集互連的簡單處理節(jié)點組成。 今天的大多數(shù)神經(jīng)網(wǎng)絡(luò)被組織成節(jié)點層，它們是“前饋”，意味著數(shù)據(jù)只在一個方向上穿過它們。 單個節(jié)點可能連接到其下面的層中的幾個節(jié)點，從中接收數(shù)據(jù)，以及它上面的層中的幾個節(jié)點，它們向其發(fā)送數(shù)據(jù)。
對于每個傳入連接，節(jié)點將分配一個稱為“權(quán)重”的數(shù)字。當(dāng)網(wǎng)絡(luò)處于活動狀態(tài)時，節(jié)點在其每個連接上接收不同的數(shù)據(jù)項(不同的數(shù)字)，并將其乘以相關(guān)權(quán)重。然后它將得到的產(chǎn)品加在一起，產(chǎn)生一個數(shù)字。如果該數(shù)字低于閾值，則節(jié)點不會將數(shù)據(jù)傳遞到下一層。如果數(shù)量超過閾值，則節(jié)點“觸發(fā)”，在今天的神經(jīng)網(wǎng)絡(luò)中通常意味著沿著其所有傳出連接發(fā)送數(shù)字 - 加權(quán)輸入的總和。
當(dāng)訓(xùn)練神經(jīng)網(wǎng)絡(luò)時，其所有權(quán)重和閾值最初都設(shè)置為隨機值。訓(xùn)練數(shù)據(jù)被饋送到底層 - 輸入層 - 它通過后續(xù)層，以復(fù)雜的方式相乘并加在一起，直到它最終到達，從根本上轉(zhuǎn)換到輸出層。在訓(xùn)練期間，不斷調(diào)整權(quán)重和閾值，直到具有相同標簽的訓(xùn)練數(shù)據(jù)始終產(chǎn)生類似的輸出。
深度學(xué)習(xí)基本上是關(guān)于類固醇的機器學(xué)習(xí)。 處理功能有多個層，通常，每個層都會提取一些有價值的信息。 例如，一個神經(jīng)網(wǎng)絡(luò)可以處理用于駕駛自動駕駛汽車的圖像。 每個層將處理不同的東西，例如，第一層可以檢測道路兩側(cè)的邊緣。 另一層可以檢測圖像中的車道線，另一層可能是其他車輛。
比如計算機視覺功能的發(fā)展用例，谷歌曾經(jīng)在2017年發(fā)布了一款A(yù)I硬件紙盒套件(也是旗下AI開源項目(AIY Projects)的作品)。其中，Vision Kit 就是一套簡單的計算機視覺系統(tǒng)，它可以檢測幾千種常見物體，但也可以對人類的臉部表情進行檢測，并顯示出情緒，比如微笑、皺眉、憤怒、開心等等。
京公網(wǎng)安備 11010502049343號