人工智能、机器学习和深度学习

一、人工智能

　　人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。

　　“人工智能”是“一门技术科学”，它研究与开发的对象是“理论、技术及应用系统”，研究的目的是为了“模拟、延伸和扩展人的智能”

　　我们现在看到的貌似很高端的技术，如图像识别、NLP，其实依然没有脱离这个范围，就是“模拟人在看图方面的智能”和“模拟人在听话方面的智能”，本质上和“模拟人在计算方面的智能”没啥两样，虽然难度有高低，但目的是一样的——模拟、延伸和扩展人的智能

二、机器学习

　　机器学习是一种实现人工智能的方法

　　机器学习是让计算机模拟或实现人类的学习行为，机器学习就是用算法解析数据，不断学习，对世界中发生的事做出判断和预测的一项技术。

　　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。

　　　　1、“机器学习”是“模拟、延伸和扩展人的智能”的一条路径，所以是人工智能的一个子集；

　　　　2、“机器学习”是要基于大量数据的，也就是说它的“智能”是用大量数据喂出来的；

　　　　3、正是因为要处理海量数据，所以大数据技术尤为重要；“机器学习”只是大数据技术上的一个应用。

　　常用的10大机器学习算法有：决策树、随机森林、逻辑回归、SVM、朴素贝叶斯、K最近邻算法、K均值算法、Adaboost算法、神经网络、马尔科夫。

　　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。

　　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

　　以视觉感知为例，一个完整的机器学习过程大概是这样：

　　

 

三、深度学习

　　

　　深度学习是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术。

　　它的基本特点是试图模仿大脑的神经元之间传递，处理信息的模式。最显著的应用是计算机视觉和自然语言处理（NLP）领域。

　　深度，即层数。超过8层的神经网络模型就叫深度学习。

　　显然，深度学习是机器学习中的神经网络是强相关的。神经网络也是其主要的算法和手段；或者我们可以将“深度学习”称之为“改良版的神经网络”算法。

　　深度学习又分为卷积神经网络（Convolutional neural networks，简称CNN）和深度置信网（Deep Belief Nets，简称DBN）。

　　其主要的思想就是模拟人的神经元，每个神经元接受到信息，处理完后传递给与之相邻的所有神经元即可，神经网络的计算量非常大，需要很高的运算能力支持，如GPU。

　　

　　欠拟合：如果一个模型在训练时表现很差，测试时也表现很差，那我们把该模型称之为『欠拟合』。

　　过拟合：如果一个模型在训练时表现优异，测试时却落差很大，不懂预测和应付灵活情况，那我们把该模型称为『过拟合』。

 

人工智能、机器学习、深度学习的关系

　　机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术

 

 

模型

　　什么是模型？所谓的机器学习模型，本质上是一个函数，从数据中学习到的，可以实现特定功能（映射）的函数。

　　进一步专业性概括：模型指在指定的假设空间中，确定学习策略，通过优化算法去学习到的由输入到输出的映射。

　　

 

参考资料：https://www.zhihu.com/question/57770020