⼀、概念整体介绍
⼈⼯智能（Artificial Intelligence）
机器学习（Machine Learning）：⼀种实现⼈⼯智能的⽅法
深度学习（Deep Learning）：⼀种实现机器学习的技术
三者的关系图
⼈⼯智能分类：
强⼈⼯智能：强⼈⼯智能观点认为有可能制造出真正能推理（Reasoning）和解决问题（Problem_solving）的智能机器，并且这样的机器将被认为是有知觉的，有⾃我意识的。可以独⽴思考问题
并制定解决问题的最优⽅案，有⾃⼰的价值观和世界观体系。有和⽣物⼀样的各种本能，⽐如⽣存和安全需求。
弱⼈⼯智能：弱⼈⼯智能是指不能制造出真正地推理（Reasoning）和解决问题（Problem_solving）的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有⾃主意识。
⼈⼯智能是计算机学科的⼀个分⽀，⼆⼗世纪七⼗年代以来被称为世界三⼤尖端技术之⼀（空间技术、能源技术、⼈⼯智能）。
也被认为是⼆⼗⼀世纪三⼤尖端技术（基因⼯程、纳⽶科学、⼈⼯智能）之⼀。
这是因为近三⼗年来它获得了迅速的发展，在很多学科领域都获得了⼴泛应⽤，并取得了丰硕的成果，⼈⼯智能已逐步成为⼀个独⽴的分⽀，⽆论在理论和实践上都已⾃成⼀个系统。
⼈⼯智能的研究分⽀
⼈⼯智能的发展历程
各种概念关系
相关链接：
⼀张图解释⼈⼯智能、机器学习、深度学习三者关系：
⼀篇⽂章讲清楚⼈⼯智能、机器学习和深度学习的区别和联系：
科普⼀下：机器学习和深度学习的区别和关系：
⼈⼯智能的三个分⽀：认知、机器学习、深度学习：
还纠结选机器学习还是深度学习？看完你就有数了：
=====================================================
⼆、⼈⼯智能应⽤领域
关键词：
⾃然语⾔⽣成、语⾳识别、虚拟助理、机器学习平台、⼈⼯智能硬件优化、决策管理、深度学习平台、⽣物信息、
图像识别、情绪识别、P2P⽹络、内容创作、⽹络防御、AI建模/数字孪⽣、机器处理⾃动化、⽂本分析和⾃然语⾔处理
游戏：⼈⼯智能在国际象棋，扑克，围棋等游戏中起着⾄关重要的作⽤，机器可以根据启发式知识来思
考⼤量可能的位置并计算出最优的下棋落⼦。
⾃然语⾔处理：可以与理解⼈类⾃然语⾔的计算机进⾏交互。⽐如常见机器翻译系统、⼈机对话系统。
专家系统：有⼀些应⽤程序集成了机器，软件和特殊信息，以传授推理和建议。它们为⽤户提供解释和建议。⽐如分析股票⾏情，进⾏量化交易。
视觉系统：它系统理解，解释计算机上的视觉输⼊。例如，间谍飞机拍摄照⽚，⽤于计算空间信息或区域地图。医⽣使⽤临床专家系统来诊断患者。警⽅使⽤的计算机软件可以识别数据库⾥⾯存储的肖像，从⽽识别犯罪者的脸部。还有我们最常⽤的车牌识别等。
语⾳识别：智能系统能够与⼈类对话，通过句⼦及其含义来听取和理解⼈的语⾔。它可以处理不同的重⾳，俚语，背景噪⾳，不同⼈的的声调变化等。
⼿写识别：⼿写识别软件通过笔在屏幕上写的⽂本可以识别字母的形状并将其转换为可编辑的⽂本。
智能机器⼈：机器⼈能够执⾏⼈类给出的任务。它们具有传感器，检测到来⾃现实世界的光，热，温度，运动，声⾳，碰撞和压⼒等数据。他拥有⾼效的处理器，多个传感器和巨⼤的内存，以展⽰它的智能，并且能够从错误中吸取教训来适应新的环境。
相关链接：
=====================================================
三、机器学习
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做出决策和预测。
与传统的为解决特定任务、硬编码的软件程序不同，机器学习是⽤⼤量的数据来“训练”，通过各种算法从数据中学习如何完成任务。
机器学习直接来源于早期的⼈⼯智能领域，传统的算法包括决策树、聚类、贝叶斯分类、⽀持向量机、EM、Adaboost等等。
从学习⽅法上来分，机器学习算法可以分为监督学习（如分类问题）、⽆监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。
机器学习过程使⽤以下步骤进⾏定义：
象棋入门1. 确定相关数据集并准备进⾏分析。
2. 选择要使⽤的算法类型。
3. 根据所使⽤的算法构建分析模型。
4. ⽴⾜测试数据集进⾏模型训练，并根据需要进⾏模型修改。
5. 运⾏模型以⽣成测试评分。
传统的机器学习算法在指纹识别、基于Haar的⼈脸检测、基于HoG特征的物体检测等领域的应⽤基本达到了商业化的要求或者特定场景的商业化⽔平，但每前进⼀步都异常艰难，直到深度学习算法的出现。
=====================================================
四、深度学习
深度学习属于机器学习的⼀个⼦域，其相关算法受到⼤脑结构与功能（即⼈⼯神经⽹络）的启发。
深度学习如今的全部价值皆通过监督式学习或经过标记的数据及算法实现。
深度学习中的每种算法皆经过相同的学习过程。
深度学习包含输⼊内容的⾮近线变换层级结构，可⽤于创建统计模型并输出对应结果。
机器学习与深度学习间的区别：
1、数据量：机器学习能够适应各种数据量，特别是数据量较⼩的场景。在另⼀⽅⾯，如果数据量迅速增加，那么深度学习的效果将更为突出。下图展⽰了不同数据量下机器学习与深度学习的效能⽔平。
2、硬件依赖性：与传统机器学习算法相反，深度学习算法在设计上⾼度依赖于⾼端设备。深度学习算法需要执⾏⼤量矩阵乘法运算，因此需要充⾜的硬件资源作为⽀持。
3、特征⼯程：特征⼯程是将特定领域知识放⼊指定特征的过程，旨在减少数据复杂性⽔平并⽣成可⽤于学习算法的模式。⽰例：传统的机器学习模式专注于特征⼯程中所需要像素及其他属性。
深度学习算法则专注于数据的其他⾼级特征，因此能够降低处理每个新问题时特征提取器的实际⼯作量。
4、问题解决⽅法：传统机器学习算法遵循标准程序以解决问题。它将问题拆分成数个部分，对其进⾏分别解决，⽽后再将结果结合起来以获得所需的答案。深度学习则以集中⽅式解决问题，⽽⽆需进⾏问题拆分。
5、执⾏时间：执⾏时间是指训练算法所需要的时间量。深度学习需要⼤量时间进⾏训练，因为其中包含更多参数，因此训练的时间投⼊也更为可观。相对⽽⾔，机器学习算法的执⾏时间则相对较短。
6、可解释性：可解释性是机器学习与深度学习算法间的主要区别之⼀——深度学习算法往往不具备可
解释性。也正因为如此，业界在使⽤深度学习之前总会再三考量。
机器学习与深度学习的实际应⽤：
1. 通过指纹实现出勤打卡、⼈脸识别或者通过扫描车牌识别牌照号码的计算机视觉技术。
2. 搜索引擎中的信息检索功能，例如⽂本搜索与图像搜索。
3. ⾃动电⼦邮件营销与特定⽬标识别。
4. 癌症肿瘤医学诊断或其他慢性疾病异常状态识别。
5. ⾃然语⾔处理应⽤程序，例如照⽚标记。Facebook就提供此类功能以提升⽤户体验。
6. 在线⼴告。
未来发展趋势：
1. 随着业界越来越多地使⽤数据科学与机器学习技术，对各个组织⽽⾔，最重要的是将机器学习⽅案引⼊其现有业务流程。
2. 深度学习的重要程度正逐步超越机器学习。事实已经证明，深度学习是⽬前最先进且实际效能最出⾊的技术⽅案之⼀。
3. 机器学习与深度学习将在研究与学术领域证明⾃⾝蕴藏的巨⼤能量。
发布评论