人工智能一些基础知识的理解 day01

一、人工智能、机器学习、深度学习三者之间的关系

当谈论人工智能（AI）、机器学习（Machine Learning，ML）和深度学习（Deep Learning，DL）时，它们之间的关系可以概括如下：

1. 人工智能（AI）：

人工智能是一个更广泛的概念，指的是使计算机系统能够执行类似于人类智能的任务的技术和方法。这包括理解语言、视觉感知、决策制定、问题解决等各种智能行为。

1. 机器学习（ML）：

机器学习是人工智能的一个分支，专注于通过数据和算法使计算机系统能够从经验中学习和改进。它使计算机能够从数据中自动学习模式和规律，而无需显式地进行编程。

1. 深度学习（DL）：

深度学习是机器学习的一个特定领域，其核心是使用称为神经网络的多层次模型来学习和表示数据。这些神经网络模型由多个层次（深度）组成，通过在这些层次之间传递和处理数据来提取高级抽象特征。

关系可以总结如下：

1. AI 是一个更广义的概念，涵盖了使计算机系统表现出智能行为的所有技术和方法。
2. ML 是实现AI的一种方法，通过使用数据和算法让系统从经验中学习。
3. DL 是ML的一个特定分支，使用深层神经网络模型来学习复杂的数据表示。

因此，深度学习是机器学习的一种方法，而机器学习则是实现人工智能的一种关键技术途径之一。

• 机器学习

机器学习是人工智能的一个重要分支，它关注的是让计算机系统通过经验自动改进和学习，而无需明确编程。以下是机器学习的基本概念和要点：

1. 定义：机器学习是一种人工智能的方法，它使计算机系统能够从数据中学习模式和规律，进而做出预测和决策，而无需显式地进行编程。

1. 核心思想：机器学习的核心思想是通过数据训练模型，让计算机从中学习，并根据学习到的知识做出预测或决策。这个过程基于统计学和数据分析的技术，旨在发现数据中的模式和结构。

1. 训练与学习：在机器学习中，模型通过训练数据集来学习。训练数据是已知输入和输出的数据样本，模型通过分析这些数据样本来学习输入与输出之间的关系。

1. 类型：机器学习可以分为多种类型，包括监督学习、无监督学习、半监督学习和强化学习。其中：

1. 监督学习（Supervised Learning）通过标记的数据样本来训练模型，例如分类和回归任务。

举个例子：西瓜的好坏可以由色泽、根蒂、敲声等来决定，现在通过模 型训练得知一种好瓜是(色泽=青绿)^(根蒂=蜷缩)^(敲声=浊响)这样的， 之后在新的西瓜里面发现同样的特征的西瓜我就知道它是好瓜了。（这算 是一种分类任务，根据已有的特征预测西瓜的好坏）

回归任务更倾向于预测连续的事件，比如股票价格、房屋价格，一个具 体的值。

标注：特征是事物本身的特征比如说西瓜的色泽是怎么样的；标记也可 以叫做标签是通过训练得到的事物特性（例如好瓜、坏瓜，本身不知道）

1. 无监督学习（Unsupervised Learning）则是通过未标记的数据来发现数据中的模式和结构，如聚类和降维。

举个例子：西瓜的好坏可以由色泽、根蒂、敲声等来决定，我们可以对 这些特征进行归纳，那些特征同时出现的概率高，比如色泽青绿的瓜更 容易出现根蒂蜷缩的情况（也就是关联分析）或者一个未标记的数据集， 并且想要根据色泽特征将其分成两个组（类似聚类，旨在将数据集中的 样本划分为不同的组，使得组内的样本尽可能相似，而组间的样本尽可 能不同）或者通过PCA（就是一些数学算法）将西瓜的主特征进行数字 化，从而形成新的数据表达形式（也就是降维）。

1. 半监督学习（Semi-supervised Learning）结合了监督和无监督方法，利用有标记和无标记数据来进行学习。
2. 强化学习（Reinforcement Learning）是让智能体通过与环境的交互学习，通过奖励和惩罚来调整行为以达到某种目标。

1. 应用领域：机器学习在现代技术和应用中广泛应用，如自然语言处理、计算机视觉、语音识别、推荐系统、医疗诊断、金融预测等领域。

总体来说，机器学习通过数据驱动的方法，使计算机系统能够自动从经验中学习和改进，是实现人工智能的重要途径之一。