深度学习, 机器学习, 人工智能 这仨都有啥区别?

seracron
徐老师粉丝天团 @群号311040483 01月14日 字数 0

AI 人工智能
18 个回复
xiaoqqq
01月14日

如来佛祖-观音菩萨-孙悟空

【 在 seracron () 的大作中提到: 】

galaxy123
galaxy123 01月14日

1.机器学习: 用机器代替人从数据里找规律,比如把模拟信号转换成数字信号。最成功的2个例子:图像识别、语音识别。

2.深度学习:机器学习的一种,往往是用多层神经网络建模型,好处是能找出更复杂的规律,缺点是不好控制,不容易训练模型,不容易让机器学会找规律。训练模型的过程很昂贵,需要大量的时间和计算资源。

3.人工智能:普通人所理解的人工智能尚未实现,目前也不知道怎么实现。很多人扯虎皮做大旗,非得把自己做的一点机器学习叫做“弱人工智能”。

【 在 seracron 的大作中提到: 】

mingtong
。。。 01月14日

'子集-子集-全集

【 在 seracron 的大作中提到: 】

yangshanee
仰山.桥 01月14日

前两个是专业术语,尽管越来越多“大众”越来越喜欢用。

最后一个更大众一些,类似一种愿景,不断变化。科技领域的人,也还争论啥是人工智能,或者说人的智能究竟是什么。某些做项目,做宣传的人,用“人工智能”词的,可以回退到“不那么机械”的就是智能。

【 在 galaxy123 (galaxy123) 的大作中提到: 】

: 标  题: Re: 深度学习, 机器学习, 人工智能 这仨都有啥区别?

: 发信站: 水木社区 (Tue Jan 14 05:05:38 2020), 站内

: 1.机器学习: 用机器代替人从数据里找规律,比如把模拟信号转换成数字信号。最成功的2个例子:图像识别、语音识别。

: 2.深度学习:机器学习的一种,往往是用多层神经网络建模型,好处是能找出更复杂的规律,缺点是不好控制,不容易训练模型,不容易让机器学会找规律。训练模型的过程很昂贵,需要大量的时间和计算资源。

: 3.人工智能:普通人所理解的人工智能尚未实现,目前也不知道怎么实现。很多人扯虎皮做大旗,非得把自己做的一点机器学习叫做“弱人工智能”。

: 【 在 seracron 的大作中提到: 】

: :

: --

vtvtvtvt
一个笨蛋 01月14日

其实现在大部分时候都是指的卷积神经网络而已

【 在 seracron 的大作中提到: 】

zszqzzzf
炼狱天使——反者道之动 01月14日

深度学习是机器学习的子集,机器学习是人工智能的子集。

【 在 seracron (徐老师粉丝天团 @群号311040483) 的大作中提到: 】

Charles9
爬爬爬 01月14日

其实都一个意思

【 在 seracron () 的大作中提到: 】

LaughLy
万能的laughly 01月14日

人工智能>机器学习>深度学习

包含的关系

发自「今日水木 on iPhone X」

【 在 seracron 的大作中提到: 】

: --

Thinkingpat
Thinkingpat 01月14日

解释得挺好的。

我补充下鸡娃们的忽悠说法:

AI难度大,70多年了没有明显的进展。近十年深度学习DL突然放了一炮,然后鸡娃们在日常就把DL吹成了AI的全部,因为他们认为AI领悟除了DL其它方法都没戏,可以忽略。

老一辈的AI人员不太认可这种忽悠。

【 在 galaxy123 的大作中提到: 】

: 1.机器学习: 用机器代替人从数据里找规律,比如把模拟信号转换成数字信号。最成功的2个例子:图像识别、语音识别。

: 2.深度学习:机器学习的一种,往往是用多层神经网络建模型,好处是能找出更复杂的规律,缺点是不好控制,不容易训练模型,不容易让机器学会找规律。训练模型的过程很昂贵,需要大量的时间和计算资源。

: 3.人工智能:普通人所理解的人工智能尚未实现,目前也不知道怎么实现。很多人扯虎皮做大旗,非得把自己做的一点机器学习叫做“弱人工智能”。

: ...................

Adjani
三角梅 01月14日

同意

【 在 LaughLy 的大作中提到: 】

: 人工智能>机器学习>深度学习

: 包含的关系

: ....................

asdksc
皎洁 01月14日

现在也可以反过来用深度学习去套人工智能和机器学习

【 在 seracron 的大作中提到: 】

jhtcm
jhtcm 01月14日

了然

多谢

【 在 galaxy123 的大作中提到: 】

: 1.机器学习: 用机器代替人从数据里找规律,比如把模拟信号转换成数字信号。最成功的2个例子:图像识别、语音识别。

: 2.深度学习:机器学习的一种,往往是用多层神经网络建模型,好处是能找出更复杂的规律,缺点是不好控制,不容易训练模型,不容易让机器学会找规律。训练模型的过程很昂贵,需要大量的时间和计算资源。

: 3.人工智能:普通人所理解的人工智能尚未实现,目前也不知道怎么实现。很多人扯虎皮做大旗,非得把自己做的一点机器学习叫做“弱人工智能”。

: ...................

ann1122
ann1122 01月14日

其实你还没有明白。比如,已经有了这么好的深度学习,为啥还要保留机器学习?深度学

习已经这么好了,下一步还要怎么发展。这些你都还不明白。

【 在 jhtcm (jhtcm) 的大作中提到: 】

: 了然

: 多谢

seracron
徐老师粉丝天团 @群号311040483 01月15日

你展开说说

【 在 ann1122 () 的大作中提到: 】

: 其实你还没有明白。比如,已经有了这么好的深度学习,为啥还要保留机器学习?深度学

: 习已经这么好了,下一步还要怎么发展。这些你都还不明白。

phoenixhills
phoenix 01月15日

机器学习的优势在于,其实现人工智能的过程是通过和数据的交互自然形成的,相对于

第一代以人为提取的原则为基础实现人工智能少了对人为预先编制程序的步骤,适应范

围和灵活性大为增强。

深度学习是机器学习的一类,是种多层次的神经网络。相比于其他机器学习方法,不需

要预先建模,只要有足够训练的大数据集,就能根据数据输入产生具有极高准确率的输

出。深度学习应用简单,但也存在需要的数据量大,对算力的要求高等不足。相对而

言,深度学习以外的机器学习需要建模,在处理有限数据的特定问题时适应性好,对算

力要求也不高,在普通pc机就能运行。

深度学习只是在层次性结构方面模仿了脑神经网络的结构特点,实现了分层逐次提取特

征,对输入数据进行分类鉴别的人工智能。具体而言,cnn除了分层结构之外,还模仿

了人脑视觉皮层的具体结构特点,所以目前的分类任务都等同于先转化成图像,再用

cnn进行分类。人脑结构除了视觉皮层以外,还有很多其他功能和结构。深度学习下一

步的工作,就是在层次化的基础上,借鉴脑的功能和形态,实现类似于cnn的更多结

构。

【 在 seracron (徐老师粉丝天团 @群号311040483) 的大作中提到: 】

: 你展开说说

bovy
铜豌豆 01月19日

https://zhuanlan.zhihu.com/p/103373260

人工智能、机器学习与深度学习的关系

人工智能是什么?人工智能与机器学习、深度学习的关系是什么?除了深度学习之外,人工智能还有其他研究领域吗?

1. 人工智能定义与分类

人工智能(Artificial Intelligence, AI)是机器,特别是计算机系统对人类智能过程的模拟。人工智能是一个愿景,目标就是让机器像我们人类一样思考与行动,能够代替我们人类去做各种各样的工作。

人工智能研究的范围非常广,包括演绎、推理和解决问题、知识表示、学习、运动和控制、数据挖掘等众多领域。其中,知识表示是人工智能领域的核心研究问题之一,它的目标是让机器存储相应的知识,并且能够按照某种规则推理演绎得到新的知识。许多问题的解决都需要先验知识。举个例子,当我们说“林黛玉”,我们会联想到“弱不禁风”“楚楚可怜”的形象,与此同时,我们还会联想到林黛玉的扮演者“陈晓旭”。如果没有先验的知识,我们无法将“林黛玉”和“陈晓旭”关联起来。在这里,“林黛玉”“陈晓旭”都是实体(也称为本体),实体与实体之间通过某种关系连接起来,实体、实体间的关系该如何存储、如何表示、如何方便地应用到生产和生活中,这些都是知识表示要研究的课题。

人工智能,按照是增强我们脑力还是增强我们体力、是取代人的工作还是辅助人,可以根据应用场景划分成4个大的类别,见图1。

图1 人工智能应用场景分类

2. 人工智能、机器学习与深度学习关系

从图1可以看出,人工智能是一个宏大的愿景,目标是让机器像我们人类一样思考和行动,既包括增强我们人类脑力也包括增强我们体力的研究领域。而学习只是实现人工智能的手段之一,并且,只是增强我们人类脑力的方法之一。所以,人工智能包含机器学习。机器学习又包含了深度学习,他们三者之间的关系见图2。

图2 人工智能、机器学习与深度学习的关系

2. 机器学习

机器学习(Machine Learning,ML)是机器从经验中自动学习和改进的过程,不需要人工编写程序指定规则和逻辑。

“学习”的目的是获得知识。机器学习的目的是让机器从用户和输入数据处获得知识,以便在生产、生活的实际环境中,能够自动作出判断和响应,从而帮助我们解决更多问题、减少错误、提高效率。

一般来说,机器学习往往需要人工提取特征,这一过程称为特征工程(Feature Engine)。人工提取特征,在部分应用场景中可以较为容易的完成,但是在一部分应用场景中却难以完成,比如图像识别、语音识别等场景,自然而然地,我们希望机器能够从样本数据中自动的学习、自动的发现样本数据中“特征”,从而能够自动地完成样本数据分类。机器学习与深度学习的学习过程异同,见图3。

图3 机器学习与深度学习的区别与联系(图片来源:《TensorFlow深度学习实战大全》)

3. 深度学习

深度学习(Deep Learn,DL)是机器学习的一种,主要特点是使用多层非线性处理单元进行特征提取和转换。每个连续的图层使用前一层的输出作为输入。

从深度学习的定义中,我们可以得知深度学习是机器学习的一种,是机器学习的子集。同时,与一般的机器学习不同,深度学习强调以下几点:

(1)强调了模型结构的重要性:深度学习所使用的深层神经网络(Deep Neural Network,DNN)算法中,隐藏层往往会有多层,是具有多个隐藏层的深层神经网络,而不是传统“浅层神经网络”,这也正是“深度学习”的名称由来。

(2)强调非线性处理:线性函数的特点是具备齐次性和可加性,因此线性函数的叠加仍然是线性函数,如果不采用非线性转换,多层的线性神经网络就会退化成单层的神经网络,最终导致学习能力低下。深度学习引入激活函数,实现对计算结果的非线性转换,避免多层神经网络退化成单层神经网络,极大地提高了学习能力。

(3)特征提取和特征转换:深层神经网络可以自动提取特征,将简单的特征组合成复杂的特征,也就是说,通过逐层特征转换,将样本在原空间的特征转换为更高维度空间的特征,从而使分类或预测更加容易。与人工提取复杂特征的方法相比,利用大数据来学习特征,能够更快速、方便地刻画数据丰富的内在信息。

4. 参考文献

(1)本文部分内容节选自《TensorFlow深度学习实战大全》 李明军著

京东自营:https://item.jd.com/12609793.html

当当自营:http://product.dangdang.com/28497230.html

whistlingMe
哈哈 01月20日

深度学习 ***.py

机器学习 ***.py ***.doc ***.xml

人工智能 ***.ppt

bovy
铜豌豆 01月22日
bluecase
bluecase 01月26日

你这个也是醉了

【 在 whistlingMe 的大作中提到: 】

: 深度学习 ***.py

: 机器学习 ***.py ***.doc ***.xml

: 人工智能 ***.ppt