一 机器学习
官方定义:
机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它是人工智能核心,是使计算机具有智能的根本途径。
机器学习(Machine Learning,简称ML)是一种人工智能(AI)的分支领域,旨在让计算机系统通过学习和经验改进,从而可以执行特定任务,而无需明确的程序指令。机器学习通过让计算机从数据中学习规律和模式,自动调整和优化算法,从而使计算机能够自主地提取特征、做出决策和执行任务。
机器学习主要类型:
(根据输入机器的数据是否有标签判断)
- 监督学习:在监督学习中,算法通过已知输入和对应的期望输出(标签)进行训练,以学习输入和输出之间的映射关系。训练完成后,算法可以用于对新的未知数据进行预测。(如分类、回归问题,肯定具有标签)
- 无监督学习:无监督学习不需要标签,它试图从数据中发现隐藏的模式和结构。常见的无监督学习任务包括聚类和降维。
- 半监督学习:监督学习和无监督学习的结合,通常在训练数据中只有一小部分有标签,其余部分没有标签。半监督学习旨在利用未标记数据来提高算法的性能。
- 强化学习 :涉及一个智能体(Agent)在环境中采取行动,通过与环境的交互来学习最优的行为策略,以最大化累积的奖励。强化学习会在训练过程中根据每一步行动得到的反馈不断调整策略。(典例:AlphaGo)
二 深度学习
官方定义 :
“深度学习是一种特殊的机器学习,通过学习将世界使用嵌套的概念层次来表示并实现巨大的功能和灵活性,其中每个概念都定义为与简单概念相关联,而更为抽象的表示则以较不抽象的方式来计算。”
深度学习(Deep Learning)是机器学习的一个分支,它着重于使用深层神经网络来模拟和学习数据的抽象表示。深度学习的核心思想是通过多层非线性变换,从原始数据中逐步学习更高级别的特征和表示,从而实现对复杂模式和关系的建模。
主要特点:
- 多层神经网络(深度神经网络):通常包含输入层、多个隐藏层和输出层,其中每个层都由多个神经元(节点)组成。
- 特征学习:深度学习网络通过逐层的变换学习数据的不同级别的特征表示。每一层都试图从前一层的输出中提取更加抽象和高级别的特征。
- 自动学习:深度学习中的权重和参数是通过训练过程自动学习的,而无需手动指定复杂的特征或规则。
- 端到端学习: 深度学习可以从原始输入(如图像、文本)直接学习到最终的输出(如分类标签、生成的内容),从而实现端到端的学习和预测。
- 大规模数据和计算:深度学习通常需要大量的数据来训练,并且在高性能计算环境下运行,例如使用图形处理单元(GPU)。
三 二者关系
深度学习是机器学习的一个子领域,深度学习专注于使用深层神经网络来建模和学习数据的高级特征,建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。而机器学习包含了更广泛的方法,包括决策树、支持向量机、聚类等。
发展:
深度学习在近年来取得了显著的发展,受益于大数据、强大的计算资源和优化算法的进步。机器学习更早,涵盖了从早期的线性回归到如今的深度学习等多种方法。
技术比较:
1. 数据依赖:深度学习需要大量数据,且随着数据规模的增加其性能也不断增长。
2.硬件依赖:深度学习需要大量的矩阵运算,因此更依赖安装GPU的高端机器(GPU主要用来高效优化矩阵运算)。
3. 特征处理:传统机器学习中特征需要专家确定然后编码为一种数据类型;深度学习尝试直接从数据中获取特征。
4. 解决方式:传统机器学习通常将问题分解为多个子问题进行逐个解决,最后结合所有子问题的结果获得最终结果。深度学习则提倡直接端到端的解决问题。
5. 训练时间:由于深度学习需要大量数据,因此训练算法需要更长时间。(最先进的深度学习算法 ResNet完整地训练一次需要消耗两周的时间,传统机器学习通常几秒到几小时的时间)。
6. 可解释性:深度学习算法无法解释结果如何产生。而像决策树这样的机器学习算法给出了明确的规则,可以进行推理解释。
四 人工智能
官方定义:
人工智能(Artificial Intelligence),英文缩写为AI。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新的技术科学。人工智能是智能学科重要的组成部分,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。
研究领域:
- 底层:基础设施建设,包含数据和计算能力
- 算法:如卷积神经网络、LSTM 序列学习、Q-Learning、深度学习等算法(机器学习的算法)
- 技术方向:如计算机视觉,语音工程,自然语言处理等。和一些类似决策系统,如增强学习。和大数据分析的统计系统。
- 具体技术:如图像识别、语音识别、机器翻译等
- 解决方案:具体领域的应用等
参考:https://zhuanlan.zhihu.com/p/405723096
深度学习和机器学习有什么区别? - 知乎 (zhihu.com)
一文看懂人工智能、机器学习、深度学习与神经网络之间的区别与关系 - 知乎 (zhihu.com)
侵删~