人工智能(AI),机器学习(ML)和深度学习(DL)已经是当下商业世界中很受关注的技术,但这三个术语并不是指代相同的事务,它们大体的逻辑可以用以下这张图来表述:
其中机器学习作为一种可以实现人工智能的方法,而深度学习作为一种可以实现机器学习的技术。以上的同心圆描述了三者间的关系
人工智能(Artificial Intelligence)
人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。
这是一个很古老的概念,早期可追溯到1950年代,以下是人工智能下具体的研究分支
机器学习(Machine Learning)
机器学习就是用算法解析数据,不断学习,构建出可以用来解决业务问题的模型,然后对世界发生的事做出判断和预测的一项技术,机器学习的算法分为三大类:
监督学习
监督学习中,数据已经被标记,这种方法可以根据过去的数据来预测未来的结果。其常见技术包括
- 线性回归
- 逻辑回归
- 支持向量机
- 朴素贝叶斯
- 决策树
无监督学习
无监督学习使用的是未标记的数据,他会自行从数据中发现模式。其常见技术包括:
- k均值聚类
- 层次聚类
- 异常检测
强化学习
是机器学习的范式和方法论之一,智能体通过环境学习,在奖励策略以及相关约束下向环境做出反应以达成回报,从而实现特定目标的问题,ChatGPT用的就是这种强化学习
深度学习(Deep Learning)
深度学习是一个比较新的概念,严格来讲是2006年提出的。其是一种受人脑结构和功能启发的算法,它可以处理结构化和非结构化的数据,其核心概念在于人工神经网络。
首先计算输入的加权和,然后得出的权重总和作为输入传递给激活函数,激活函数将输入的加权和作为输入,并加入一个偏差,从而确定神经元是否应该被激发,接着输出层给出预测的输出,模型输出与实际输出进行比较,训练好神经网络后,模型使用反向传播的方法来提升网络的性能,有助于降低错误率。
机器学习和深度学习的区别主要在于数据,机器学习通常需要结构化数据,而深度学习需要多层神经网络,