詳解AI、Machine learning和Deep learning 三者之間的關(guān)系

2021.06.07

最近在梳理機器學(xué)習(xí)相關(guān)的知識點，發(fā)現(xiàn)有些概念需要先搞明白，理解透徹了后面的工作才好繼續(xù)，在此本文對這3個概念的含義做個解釋，梳理一下它們之間的關(guān)系，供大家參考。

人工智能（Artificial Intelligence）

參考百度百科的定義，人工智能（Artificial Intelligence），英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。

這里有2個要點：

1）人工智能是一門技術(shù)科學(xué);

2）人工智能研究與開發(fā)的對象是理論、技術(shù)及應(yīng)用系統(tǒng)，研究的目的是為了模擬、延伸和擴展人的智能。

人工智能是計算機科學(xué)的一個分支，它企圖了解智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機器，該領(lǐng)域的研究包括機器人、機器學(xué)習(xí)，語言識別、計算機視覺，自然語言處理，推薦系統(tǒng)和專家系統(tǒng)等。機器學(xué)習(xí)只是人工智能的研究方向之一。

強人工智能和弱人工智能

強人工智能 指讓機器獲得自適應(yīng)能力，解決一些之前沒有遇到過的問題，電影里的人工智能多半都是在描繪強人工智能，這種要求比較高，在目前的現(xiàn)實世界里完全真正實現(xiàn)強人工智能難度很大。

弱人工智能 指讓機器具備觀察和感知的能力，可以做到一定程度的理解和推理，目前我們科研工作都集中在弱人工智能這部分。

弱人工智能有希望取得突破，這主要歸功于一種實現(xiàn)人工智能的方法——機器學(xué)習(xí)。

機器學(xué)習(xí)（Machine Learning）

機器學(xué)習(xí)是讓計算機能夠自動地從某些數(shù)據(jù)中總結(jié)出規(guī)律，并得出某種預(yù)測模型，進而利用該模型對未知數(shù)據(jù)進行預(yù)測的方法。它是一種實現(xiàn)人工智能的方式，是一門交叉學(xué)科，綜合了統(tǒng)計學(xué)、概率論、逼近論、凸分析、計算復(fù)雜性理論等。它是人工智能核心，是使計算機具有智能的根本途徑。簡單地來說，機器學(xué)習(xí)就是使用算法分析數(shù)據(jù)（需要我們自己找特征值），從中學(xué)習(xí)并做出推斷或預(yù)測的一項技術(shù)。與傳統(tǒng)的使用特定指令集手寫軟件不同，我們使用大量數(shù)據(jù)和算法來訓(xùn)練機器，讓機器學(xué)會如何執(zhí)行任務(wù)。

這里有3個要點：

1）機器學(xué)習(xí) 是利用算法+數(shù)據(jù)來實現(xiàn) 對世界中發(fā)生的事做出判斷和預(yù)測；

2）機器學(xué)習(xí) 是模擬、延伸和擴展人的智能的一條路徑，所以是人工智能的一個子集；

3）機器學(xué)習(xí)是要基于大量數(shù)據(jù)的，也就是說它的智能是用大量數(shù)據(jù)訓(xùn)練出來的。

機器學(xué)習(xí)除了數(shù)據(jù) 還需要一些處理數(shù)據(jù)的算法(模型)來支持，常用的算法(模型) 包括9種，神經(jīng)網(wǎng)絡(luò)(深度學(xué)習(xí))就是其中的一種，參考下圖，

深度學(xué)習(xí)（Deep Learning）

深度學(xué)習(xí)是用于建立、模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，并模仿人腦的機制來解釋數(shù)據(jù)的一種機器學(xué)習(xí)技術(shù)。它的基本特點，是試圖模仿大腦的神經(jīng)元之間傳遞，處理信息的模式。最典型的的應(yīng)用有計算機視覺和自然語言處理(NLP)。顯然，深度學(xué)習(xí)是與機器學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)是強相關(guān)，神經(jīng)網(wǎng)絡(luò)也是其主要的算法和手段，我們可以將深度學(xué)習(xí)稱之為改良版的神經(jīng)網(wǎng)絡(luò)算法。

深度學(xué)習(xí)就具體研究內(nèi)容而言，主要涉及三類

(1)基于卷積運算的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，即卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks，簡稱CNN)；

(2)基于多層神經(jīng)元的自編碼神經(jīng)網(wǎng)絡(luò)，包括自編碼( Auto encoder)以及近年來受到廣泛關(guān)注的稀疏編碼兩類( Sparse Coding)；

(3)以多層自編碼神經(jīng)網(wǎng)絡(luò)的方式進行預(yù)訓(xùn)練，進而結(jié)合鑒別信息進一步優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值的深度置信網(wǎng)絡(luò)(Deep Belief Nets，簡稱DBN)。

其主要的思想就是模擬人的神經(jīng)元，每個神經(jīng)元接受到信息，處理完后傳遞給與之相鄰的所有神經(jīng)元即可。所以看起來的處理方式有點像下圖。

神經(jīng)網(wǎng)絡(luò)的計算量非常大，事實上在很長時間里由于基礎(chǔ)設(shè)施技術(shù)的限制進展并不大。而GPU的出現(xiàn)讓人看到了曙光，也造就了深度學(xué)習(xí)的蓬勃發(fā)展，深度學(xué)習(xí)才一下子火熱起來。擊敗李世石的Alpha go即是深度學(xué)習(xí)的一個很好的示例。Google的TensorFlow是開源深度學(xué)習(xí)系統(tǒng)一個比較好的實現(xiàn)，支持CNN、RNN和LSTM算法，是目前在圖像識別、自然語言處理方面最流行的深度神經(jīng)網(wǎng)絡(luò)模型。

機器學(xué)習(xí)與深度學(xué)習(xí)的區(qū)別

1）機器學(xué)習(xí)是實現(xiàn)人工智能的一種方法

簡單來說，機器學(xué)習(xí)就是使用算法分析數(shù)據(jù) （需要我們自己找特征值），從中學(xué)習(xí)并做出推斷或預(yù)測。與傳統(tǒng)的使用特定指令集手寫軟件不同，我們使用大量數(shù)據(jù)和算法來訓(xùn)練機器，由此帶來機器學(xué) 習(xí)如何完成任務(wù)。

2）深度學(xué)習(xí)是一種特殊的機器學(xué)習(xí)

深度與機器最大區(qū)別是機器學(xué)習(xí)需要人工尋找給定特征值，深度學(xué)習(xí)是不用的，機器會自己分析特征值。