人工智能、机器学习、NLP、深度学习和神经网络之间的区别
-
人工智能:建立能智能化处理事物的系统。
-
自然语言处理:建立能够理解语言的系统,人工智能的一个分支。
-
机器学习:建立能从经验中进行学习的系统,也是人工智能的一个分支。
-
神经网络:生物学启发出的人工神经元网络。
-
深度学习:在大型数据集上,建立使用深度神经网络的系统,机器学习的一个分支。
人工智能AI
,
计算机科学的分支:
人工智能的基本原理:机器从「特定的」大量数据中总结规律,形成某些「特定的知识」,然后将这种「知识」应用到现实场景中去解决实际问题。
人工智能几个核心领域:机器学习、深度学习、NLP等。
将人类面对的各类现实问题转换成数学模型问题,然后再运用计算机巨大算力来演算数学模型,得出结论的过程。
机器学习Machine Learning(ML)
,
人工智能的分支:
机器学习研究和构建的是一种特殊算法(
而非某一个特定的算法),
能够让计算机自己在数据中学习从而进行预测。所以,
机器学习不是某种具体的算法,而是很多算法的统称。
深度学习Deep Learning(DL)
,
机器学习的分支
:
深度学习的概念源于人工神经网络的研究,但是并不完全等于传统神经网络。
不过在叫法上,很多深度学习算法中都会包含”神经网络”这个词,比如:卷积神经网络、循环神经网络。
所以,深度学习可以说是在传统神经网络基础上的升级,约等于神经网络。
自然语言处理Natural Language Processing(NLP)
,人工智能的分支,包括《基于规则的语言模型》《基于机器学习语言模型》和《基于深度学习语言模型》:
自然语言处理(NLP)就是在
机器语言和人类语言之间沟通
的桥梁,以实现人机交流的目的。
人类通过语言来交流,狗通过汪汪叫来交流。机器也有自己的交流方式,那就是
数字信息
。
NLP可分为:
NLU自然语言理解
(
自然语言理解就是希望机器像人一样,具备正常人的语言理解能力
)和
NLG自然语言生成
(
非语言格式的数据转换成人类可以理解的语言格式
)。
训练方式
|
机器学习算法
|
深度学习算法
|
NLP的应用
|
文本的处理
|
方法、技术、算法
| |||
监督Supervised
|
线性回归
|
CNN卷积神经网络
|
聊天机器人
|
一、文本处理方法
|
文本预处理
| |||
监督
|
逻辑回归
|
GANS生成对抗网络
|
问答系统
|
分词
| ||||
监督
|
线性判别分析
|
RL深度强化学习
|
情感分析/分类
|
标注词性
| ||||
监督
|
决策树
|
机器翻译
|
实体提取NER
| |||||
监督
|
朴素贝叶斯
|
LSTM长短期记忆网络
|
自动摘要
|
过滤停用词
| ||||
监督
|
K邻近
|
Transformer
|
信息抽取NER
|
二、文本表示方法
|
人类语言转成化计算机语言,词嵌入/词向量 WordEmbeding
| |||
监督
|
学习向量量化
|
Bert
|
文本分类
|
One-hot独热编码
| ||||
监督
|
支持向量机
|
GPT
|
count verctor/TF(计数向量)
| |||||
监督
|
随机森林
|
XL-NET等
| ||||||
监督
|
AdaBoost
|
Embedding词向量:word2vec是主流的实现方法,另一种是Glove
| ||||||
非监督Unsupervised
|
高斯混合模型
|
三、语言模型
| ||||||
非监督
|
限制玻尔兹曼机
|
基于规则
|
专家系统,波特词干
| |||||
非监督
|
K-means聚类
|
基于机器学习应用
或称统计学习方法
|
隐马尔可夫模型HMM,感知机,条件随机场CRF,朴素贝叶斯,支持向量机SVM
| |||||
非监督
|
最大期望算法
|
基于深度学习应用
|
RNN,LSTM,word2vec,
Transformer,Bert,GPT.....
| |||||
强化学习
|
深度学习的一些模型地图
需要掌握的知识点地图