说到人工智能(AI)的定义,映入脑海的关键词可能是“未来”,“科幻小说”,虽然这些因素看似离我们很遥远,但它却是我们日常生活的一部分。语音助手的普及、无人驾驶的成功,人工智能、机器学习、深度学习已经深入我们生活的各个场景。例如京东会根据你的浏览行为和用户的相似性,利用算法为你推荐你需要的产品;又比如美颜相机,会基于你面部特征的分析,通过算法精细你的美颜效果。还有众所周知的谷歌DeepMind,当AlphaGo打败了韩国职业围棋高手Lee Se-dol时,媒体描述这场人机对战的时候,提到了人工智能AI、机器学习、深度学习等术语。没错,这三项技术都为AlphaGo的胜利立下了汗马功劳,然而它们并不是一回事。
人工智能和机器学习的同时出现,机器学习和深度学习的交替使用…使大部分读者雾里看花,这些概念究竟有何区别,我们可以通过下面一个关系图来进行区分。
图一:人工智能、机器学习、深度学习的关系
人工智能包括了机器学习和深度学习,机器学习包括了深度学习。人工智能是机器学习的父类,机器学习则是深度学习的父类。
人工智能(Artificial Intelligence,AI)是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的与人类智能相似的方式作出反应的智能机器,它不是人的智能,但能像人那样思考、也可能超过人的智能。
人工智能实际应用:机器视觉,指纹识别,人脸识别,视网膜识别,虹膜识别,掌纹识别,专家系统,自动规划,智能搜索,定理证明,博弈,自动程序设计,智能控制,机器人学,语言和图像理解,遗传编程等。人工智能目前也分为:强人工智能(BOTTOM-UPAI)和弱人工智能(TOP-DOWNAI)。
机器学习(Machine Learning,ML)是人工智能的核心,属于人工智能的一个分支。机器学习是指从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法,所以机器学习的核心是数据、算法(模型)、算力(计算机运算能力)。
机器学习应用领域:数据挖掘、数据分类、计算机视觉、自然语言处理(NLP)、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用等。
深度学习(Deep Learning,DL):是机器学习研究中的一个新的领域,其动机在于建立、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。
数据挖掘(Data Mining,DM),顾名思义是指利用机器学习技术从海量数据中“挖掘”隐藏信息,主要应用于图像、声音、文本。在商业环境中,企业希望让存放在数据库中的数据能“说话”,支持决策。所以数据挖掘更偏向于应用。
图二:数据挖掘与机器学习的关系
机器学习是数据挖掘的一种重要方法,但机器学习是另一门学科,并不从属于数据挖掘,二者相辅相成。数据挖掘是机器学习和数据库的交叉,主要利用机器学习提供的技术来分析海量数据,利用数据库界提供的技术来管理海量数据。
不管是人工智能、机器学习、深度学习还是数据挖掘,目前都在解决共同目标时发挥了自己的优势,并为社会生产和人类生活提供便利,帮助我们探索过去、展示现状、预测未来。