机器学习和人工智能之间的区别

1.创建具有智能行为的专家系统，具有学习、演示、解释和建议用户的能力。

2.帮助机器像人类一样找到复杂问题的解决方案，并以计算机友好的方式将它们作为算法应用。

人工智能的应用包括自然语言处理、游戏、语音识别、视觉系统、医疗保健、汽车等。

人工智能系统由代理及其环境组成。代理（例如，人类或机器人）是可以通过传感器感知其环境并通过效应器作用于该环境的任何事物。智能代理必须能够设定目标并实现它们。在经典规划问题中，代理可以假设它是世界上唯一起作用的系统，从而允许代理确定其行为的后果。但是，如果代理不是唯一的参与者，那么它要求代理可以在不确定的情况下进行推理。这要求智能体不仅可以评估其环境并做出预测，还可以评估其预测并根据其评估进行调整。自然语言处理使机器能够阅读和理解人类语言。自然语言处理的一些直接应用包括信息检索、文本挖掘、问答和机器翻译。机器感知是使用来自传感器（如摄像头、麦克风、传感器等）的输入来推断世界各个方面的能力。例如，计算机视觉。博弈论、决策论等概念要求智能体能够检测和模拟人类情绪。

很多时候，学生们对机器学习和人工智能感到困惑，但机器学习是人工智能研究的一个基本概念，自该领域成立以来，它就是研究通过经验自动改进的计算机算法。机器学习算法及其性能的数学分析是理论计算机科学的一个分支，称为计算学习理论。

Stuart Shapiro 将人工智能研究分为三种方法，他称之为计算心理学、计算哲学和计算机科学。计算心理学用于制作模仿人类行为的计算机程序。计算哲学用于开发自适应、自由流动的计算机思维。实施计算机科学的目标是创造能够执行以前只有人类才能完成的任务的计算机。

AI 开发了大量工具来解决计算机科学中最困难的问题，例如：

• 搜索和优化

• 逻辑

• 不确定推理的概率方法

• 分类器和统计学习方法

• 神经网络

• 控制理论

• 语言

人工智能的高调示例包括自动驾驶汽车（如无人机和自动驾驶汽车）、医疗诊断、艺术创作（如诗歌）、证明数学定理、玩游戏（如国际象棋或围棋）、搜索引擎（如百度、Google 搜索）、虚拟助手（如 Siri）、照片中的图像识别、垃圾邮件过滤、司法判决预测和有针对性的在线广告。其他应用包括医疗保健、汽车、金融、视频游戏等

智能机器（或人机混合体）的能力是否有限制？超级智能、超智能或超人智能是一种假设的智能体，其智能将远远超过最聪明、最有天赋的人类思维。“超级智能”也可以指这种代理人所拥有的智能形式或程度。

机器学习

---

ML（机器学习）：机器学习是机器可以自行学习而无需明确编程的学习。它是人工智能的一种应用，它为系统提供了从经验中自动学习和改进的能力。在这里，我们可以通过整合该程序的输入和输出来生成一个程序。机器学习的一个简单定义是“机器学习据说是从经验 E 中学习某类任务 T 和性能度量 P，如果学习者在由 P 衡量的类任务中的表现随着经验而提高。”

以非常通俗的方式，机器学习 (ML) 可以解释为根据计算机的经验自动化和改进计算机的学习过程，而无需实际编程，即无需任何人工协助。该过程从提供高质量数据开始，然后通过使用数据和不同算法构建机器学习模型来训练我们的机器（计算机）。算法的选择取决于我们拥有什么类型的数据以及我们试图自动化的任务类型。

ML 和传统编程的基本区别？

• 传统编程：我们输入数据（输入）+ 程序（逻辑），在机器上运行并获得输出。

• 机器学习：我们输入数据（输入）+ 输出，在训练期间在机器上运行，机器创建自己的程序（逻辑），可以在测试时进行评估。

学习对计算机究竟意味着什么？

如果计算机在给定任务中的性能随着体验而提高，则称计算机正在从体验中学习某些类别的任务。

如果计算机程序在T中的任务（由P衡量）上的性能随着经验E的提高而提高，则可以说计算机程序从经验E中学习某类任务T和性能度量P

例如：玩跳棋。

E = 玩过许多跳棋的经验

T = 下跳棋的任务。

P = 程序赢得下一场比赛的概率

一般来说，任何机器学习问题都可以归为两大类之一：

监督学习和无监督学习。

机器学习如何工作？

以任何适合处理的形式收集过去的数据。数据质量越好，就越适合建模

数据处理——有时，收集的数据是原始形式，需要进行预处理。

示例：某些元组可能缺少某些属性的值，在这种情况下，必须填充合适的值才能执行机器学习或任何形式的数据挖掘。

诸如房屋价格之类的数字属性的缺失值可以替换为属性的平均值，而分类属性的缺失值可以替换为具有最高模式的属性。这总是取决于我们使用的过滤器类型。如果数据是文本或图像的形式，则需要将其转换为数字形式，无论是列表、数组还是矩阵。简而言之，数据应具有相关性和一致性。转换成机器可以理解的格式

将输入数据分为训练集、交叉验证集和测试集。各组之间的比例必须为 6:2:2

在训练集上使用合适的算法和技术构建模型。

使用训练时未输入模型的数据测试我们的概念化模型，并使用 F1 分数、精度和召回等指标评估其性能。

学习机器学习的先决条件：

• 线性代数

• 统计和概率

• 结石

• 微积分

• 编程技能——Python、R、MATLAB、C++ 或 Octave 等语言

二者的区别

---

AI 和 ML 之间的主要区别在于：

| 人工智能 | 机器学习 |

| — | — |

| AI代表人工智能，其中智能被定义为知识获取智能被定义为获取和应用知识的能力。 | ML代表机器学习，它被定义为知识或技能的获取 |

| 目的是增加成功的机会而不是准确性。 | 目的是提高准确性，但不关心是否成功 |

| 它作为一个智能工作的计算机程序工作 | 在这里，机器获取数据并从数据中学习。 |

如果你也是看准了Python，想自学Python，在这里为大家准备了丰厚的免费学习大礼包，带大家一起学习，给大家剖析Python兼职、就业行情前景的这些事儿。

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

成为一个Python程序员专家或许需要花费数年时间，但是打下坚实的基础只要几周就可以，如果你按照我提供的学习路线以及资料有意识地去实践，你就有很大可能成功！
最后祝你好运！！！

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！