定义
机器学习是从早期的人工智能研究领域出来的。
那么深度学习与及其学习又有什么样的联系呢?我们可以从下图中直观的看出:
人工智能:
弱人工智能:是能够与人一样,甚至比人更好地执行特定任务的技术。目前已经实现的基本术语此类,如pinterest上的图像分类;或者Facebook的人脸识别。
强人工智能:拥有与人类智慧同样本质特性的机器,有着我们所有的感知,所有的理性,可以和我们一样思考。机器学习:
最基本的做法,是使用算法来解析数据,从中学习,然后对真实世界中的事件作出决策和预测。
用大量数据来“训练”,通过各种算法从数据中学习如何完成任务。
最成功的应用领域是计算机视觉。深度学习:
一种实现机器学习的技术
“深度”就是神经网络中众多的层分类
监督学习:就是人们常说的分类,通过已有的训练样本(即已知数据以及其对应的输出)去训练得到一个最优模型(这个模型属于某个函数的集合,最优则表示在某个评价下是最佳的)再利用这个模型将所有的输入映射为相应的输出,对输出进行简单的判断从而实现分类的目的,也就具有了对位置数据进行分类的能力。
非监督学习:则是另一种研究的比较多的学习方法,它与监督学习的不同之处,在于我们事先没有任何训练样本,而需要直接对数据进行建模。这听起来似乎有点不可思议,但是在我们自身认识世界的过程中很多处都用到了无监督学习。比如我们去参观一个画展,我们完全对艺术一无所知,但是欣赏完多幅作品之后,我们也能把它们分成不同的派别(比如哪些更朦胧一点,哪些更写实一些,即使我们不知道什么叫做朦胧派,什么叫做写实派,但是至少我们能把他们分为两个类)。无监督学习里典型的例子就是聚类了。聚类的目的在于把相似的东西聚在一起,而我们并不关心这一类是什么。因此,一个聚类算法通常只需要知道如何计算相似度就可以开始工作了。
参考资料:
【1】http://tech.163.com/16/0907/07/C0BHQND400097U80.html
【2】http://blog.csdn.net/jwh_bupt/article/details/7654120