除了“人工智能”，我們還經(jīng)常聽到“機(jī)器學(xué)習(xí)”、“深度學(xué)習(xí)”…… 這些術(shù)語(yǔ)都是啥意思？它們之間有什么關(guān)系呢？跟著文檔君來了解一下吧~~

人工智能——Artificial Intelligence

說到人工智能，大家的第一反應(yīng)可能是科幻電影里那些擁有人類智慧的機(jī)器人，但實(shí)際上，人工智能可不僅僅是機(jī)器人哦。

人工智能是由約翰·麥卡錫（John McCarthy）于1956年提出來的，當(dāng)時(shí)的定義是“制造智能機(jī)器的科學(xué)與工程”。 現(xiàn)在的人工智能是指“研究、開發(fā)用于模擬、延伸和擴(kuò)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)”。 聽起來有點(diǎn)繞是不是，文檔君來總結(jié)一下，人工智能就是讓機(jī)器能夠模擬人類的思維能力，讓機(jī)器能像人一樣去感知、思考甚至決策。 時(shí)至今日，人工智能已經(jīng)不再是一門單純的學(xué)科，而是涉及了計(jì)算機(jī)、心理學(xué)、語(yǔ)言學(xué)、邏輯學(xué)、哲學(xué)等多個(gè)學(xué)科的交叉領(lǐng)域。

人工智能看起來是高深的科技，實(shí)際上是一個(gè)覆蓋范圍很廣的概念。我們的身邊，早就有了各種人工智能，例如：自動(dòng)駕駛、人臉識(shí)別、智能機(jī)器人、機(jī)器翻譯等等。

面對(duì)多種多樣的人工智能，我們按照人工智能的實(shí)力，可將其分成三類：

弱人工智能（Artificial Narrow Intelligence，ANI）

擅長(zhǎng)于某個(gè)方面的人工智能，只能執(zhí)行特定的任務(wù)。例如，人臉識(shí)別系統(tǒng)就只能識(shí)別圖像，你要是問它明天天氣怎么樣，它可不知道怎么回答。

強(qiáng)人工智能（Artificial General Intelligence，AGI）

類似于人類級(jí)別的人工智能，能夠在多個(gè)領(lǐng)域表現(xiàn)出類似于人的智慧，能理解、學(xué)習(xí)和執(zhí)行各種任務(wù)。目前，強(qiáng)人工智能尚未實(shí)現(xiàn)，仍是人工智能研究的長(zhǎng)期目標(biāo)。

超人工智能（Artificial Superintelligence，ASI）

超越人類智慧的人工智能，在各個(gè)領(lǐng)域都比人類聰明，可以執(zhí)行任何智力任務(wù)并且在許多方面超越人類。盡管超人工智能在科幻作品中經(jīng)常出現(xiàn)，但在實(shí)際中只是一個(gè)理論概念，目前還沒有實(shí)現(xiàn)的可能。

說到這里，文檔君想問大家，打敗圍棋世界冠軍的AlphaGo屬于什么人工智能呢？

AlphaGo雖然在圍棋上戰(zhàn)勝了人類，但是它的能力也僅限于圍棋，如果讓它下五子棋或飛行棋，它還是不行的，所以AlphaGo屬于弱人工智能。

機(jī)器學(xué)習(xí)——Machine Learning

前面提到，人工智能的目的是讓機(jī)器能夠像人一樣思考并決策，到底如何實(shí)現(xiàn)呢？

回想一下，我們剛出生時(shí)基本上什么都不會(huì)，經(jīng)過了幾十年的學(xué)習(xí)，我們學(xué)會(huì)了各種知識(shí)、技能。 機(jī)器也是一樣的，要讓它會(huì)思考，就要讓它先學(xué)習(xí)，從經(jīng)驗(yàn)中總結(jié)規(guī)律，進(jìn)而擁有一定的決策和辨別能力，這就是人工智能的核心——機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，通過學(xué)習(xí)獲取新的知識(shí)、技能，從而重新組織已有的知識(shí)結(jié)構(gòu)，不斷改善自身性能。

機(jī)器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、算法復(fù)雜度理論等多門學(xué)科。

機(jī)器是怎樣學(xué)習(xí)的呢？我們先來看一下人的學(xué)習(xí)過程：

上課：學(xué)習(xí)理論知識(shí)，進(jìn)行知識(shí)輸入

總結(jié)復(fù)習(xí)：通過復(fù)習(xí)，強(qiáng)化理解

梳理知識(shí)框架：整理知識(shí)，形成體系

課后作業(yè)：通過練習(xí)，進(jìn)一步加深理解

每周測(cè)驗(yàn)：檢查掌握情況

查漏補(bǔ)缺：改善學(xué)習(xí)方法

期末考試：檢查最終學(xué)習(xí)成果

機(jī)器的學(xué)習(xí)過程也是類似的，包括以下7個(gè)步驟：

數(shù)據(jù)獲取：收集相關(guān)的數(shù)據(jù)

數(shù)據(jù)處理：對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)換，統(tǒng)一數(shù)據(jù)格式

模型選擇：選擇適合的算法

模型訓(xùn)練：使用數(shù)據(jù)訓(xùn)練模型，優(yōu)化算法

模型評(píng)估：根據(jù)預(yù)測(cè)結(jié)果評(píng)估模型性能

模型調(diào)整：調(diào)整模型參數(shù)，優(yōu)化模型性能

模型預(yù)測(cè)：對(duì)未知結(jié)果數(shù)據(jù)進(jìn)行預(yù)測(cè)

簡(jiǎn)而言之，機(jī)器學(xué)習(xí)就是從數(shù)據(jù)中通過算法自動(dòng)歸納邏輯或規(guī)則，并根據(jù)歸納的結(jié)果與新數(shù)據(jù)來進(jìn)行預(yù)測(cè)。

舉個(gè)例子，如果我們想讓計(jì)算機(jī)看到狗時(shí)能判斷出是狗，就需要給計(jì)算機(jī)展示大量狗的圖片，同時(shí)告訴它這就是狗。 經(jīng)過大量的訓(xùn)練，計(jì)算機(jī)會(huì)總結(jié)出一定的規(guī)律，當(dāng)下次看到狗時(shí)，捕捉到對(duì)應(yīng)的特征，得出“這是狗”的結(jié)論。 如果算法不夠完善，可能會(huì)把貓誤認(rèn)為狗，這就需要計(jì)算機(jī)通過經(jīng)驗(yàn)數(shù)據(jù)自動(dòng)改進(jìn)算法，從而增強(qiáng)預(yù)測(cè)能力。

按照學(xué)習(xí)方式，機(jī)器學(xué)習(xí)可分為以下四類：

監(jiān)督學(xué)習(xí)

從有標(biāo)記的數(shù)據(jù)中學(xué)習(xí)，即數(shù)據(jù)中包含自變量和因變量，通過學(xué)習(xí)已知的輸入和輸出數(shù)據(jù)來進(jìn)行預(yù)測(cè)，如分類任務(wù)和回歸任務(wù)。

分類任務(wù)：預(yù)測(cè)數(shù)據(jù)所屬的類別，如垃圾郵件檢測(cè)、識(shí)別動(dòng)植物類別等。

回歸任務(wù)：根據(jù)先前觀察到的數(shù)據(jù)預(yù)測(cè)數(shù)據(jù)，如房?jī)r(jià)預(yù)測(cè)，身高體重預(yù)測(cè)等。

無監(jiān)督學(xué)習(xí)

分析沒有標(biāo)簽的數(shù)據(jù)，即數(shù)據(jù)中只有自變量沒有因變量，發(fā)現(xiàn)數(shù)據(jù)的規(guī)律，如聚類、降維等。

聚類：把相似的東西聚在一起，并不關(guān)注這類東西是什么，如客戶分組。

降維：通過提取特征，將高維數(shù)據(jù)壓縮用低維表示，如將汽車的里程數(shù)和使用年限合并為磨損值。

半監(jiān)督學(xué)習(xí)

訓(xùn)練數(shù)據(jù)只有部分有標(biāo)記，先使用無監(jiān)督學(xué)習(xí)對(duì)數(shù)據(jù)進(jìn)行處理，再用監(jiān)督學(xué)習(xí)對(duì)模型進(jìn)行訓(xùn)練和預(yù)測(cè)。 例如手機(jī)可以識(shí)別同一個(gè)人的照片（無監(jiān)督學(xué)習(xí)），當(dāng)把同一個(gè)人的照片打上標(biāo)簽后，之后新增的這個(gè)人的照片也會(huì)自動(dòng)加上對(duì)應(yīng)的標(biāo)簽（監(jiān)督學(xué)習(xí)）。

強(qiáng)化學(xué)習(xí)

通過與環(huán)境進(jìn)行交互，根據(jù)獎(jiǎng)勵(lì)或懲罰來優(yōu)化算法，直到獲得最大獎(jiǎng)勵(lì)，產(chǎn)生最優(yōu)策略。例如掃地機(jī)器人撞到障礙物后，會(huì)優(yōu)化清掃路徑。

深度學(xué)習(xí)——Deep Learning

通過上面的了解，相信大家對(duì)機(jī)器學(xué)習(xí)已經(jīng)不陌生了。那么深度學(xué)習(xí)又是個(gè)啥？跟機(jī)器學(xué)習(xí)有什么關(guān)系？

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)新的研究方向，是一種通過多層神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)和理解復(fù)雜數(shù)據(jù)的算法。 機(jī)器通過學(xué)習(xí)樣本數(shù)據(jù)的深層表示來學(xué)習(xí)復(fù)雜任務(wù)，最終能夠像人一樣具有分析學(xué)習(xí)能力，能夠識(shí)別文字、圖像和聲音等。

與傳統(tǒng)機(jī)器學(xué)習(xí)不同的是，深度學(xué)習(xí)使用了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)的長(zhǎng)度稱為模型的“深度”，因此基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)被稱為“深度學(xué)習(xí)”。 神經(jīng)網(wǎng)絡(luò)模擬了人類大腦的神經(jīng)元網(wǎng)絡(luò)，神經(jīng)元節(jié)點(diǎn)可以對(duì)數(shù)據(jù)進(jìn)行處理和轉(zhuǎn)換。通過多層神經(jīng)網(wǎng)絡(luò)，數(shù)據(jù)的特征可以被不斷地提取和抽象，從而使機(jī)器能更好地解決各種問題。

典型的深度學(xué)習(xí)算法有以下四種類型：

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）：常用于圖像識(shí)別和分類任務(wù)。

遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）：適用于處理序列數(shù)據(jù)，如自然語(yǔ)言處理。  

長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）：一種特殊的RNN結(jié)構(gòu)，能夠更好地處理長(zhǎng)序列數(shù)據(jù)。

生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）：用于生成新的數(shù)據(jù)，如圖像、音頻或文本。

在深度學(xué)習(xí)的加持下，人工智能得以快速發(fā)展，相信在不久的將來，我們將擁有一個(gè)全新的AI時(shí)代。

結(jié)束語(yǔ)

有用的知識(shí)又增加了，文檔君來淺淺總結(jié)一下吧：

“人工智能”是一個(gè)廣泛的概念，目的是讓機(jī)器像人一樣思考和執(zhí)行任務(wù)。

“機(jī)器學(xué)習(xí)”是實(shí)現(xiàn)人工智能的一種方法，目的是從數(shù)據(jù)中學(xué)習(xí)規(guī)律，傳統(tǒng)的機(jī)器學(xué)習(xí)需要人工確定數(shù)據(jù)特征。

“深度學(xué)習(xí)”是機(jī)器學(xué)習(xí)的一個(gè)特定分支，基于神經(jīng)網(wǎng)絡(luò)，能夠自動(dòng)學(xué)習(xí)數(shù)據(jù)特征。