人工智能、機器學習和深度學習的區別一．人工智能人工智能Artificialintelligenee(Al)是機器展示的智力，與人和動物所展示的自然智力不同，后者涉及意識和情感。前者和后者之間的區別通常通過選擇的首字母縮寫來揭示。“強大”的AI通常被標記為人工智能(AGI),而模仿“自然”智能的嘗試被稱為人工智能(ABI)。領先的AI教科書將這一領域定義為“智能代理”的研究：任何能感知其環境并采取行動以最大程度地成功實現其目標的設備。通俗地說，“人工智能”一詞通常用于描述模仿人類與人類思維相關的“認知”功能的機器，例如“學習”和“解決問題”。隨著機器能力的增強，通常被認為需要“智能”的任務從AI的定義中刪除,這種現象被稱為AI效應。特斯勒定理中的一則諷刺說：“人工智能還沒有完成。”例如，光學字符識別經常被視為常規技術而從被認為是AI的事物中排除。通常被歸類為AI的現代機器功能包括成功理解人類的語音，在戰略游戲系統（如國際象棋和圍棋）中進行最高級別的競爭，以及不完美的信息游戲，如撲克，自動駕駛汽車，內容交付網絡中的智能路由以及軍事模擬。Y?SPRIY?SPRING2017人工智能成立于1955年，是一門學術學科，在此后的幾年中，經歷了數次樂觀的浪潮，隨后是失望和資金短缺（稱為“AI冬季”），隨后是新方法，成功和新的資金投入。。在2015年AlphaGo成功擊敗專業的Go玩家之后，人工智能再次引起了全球的廣泛關注。在AI的大部分歷史中，其研究通常分為無法相互交流的子領域。這些子字段基于技術考慮，例如特定目標（例如“機器人”或“機器學習”），特定工具的使用（“邏輯”或人工神經網絡）或深層次的哲學差異。子領域也基于社會因素（特定機構或特定研究人員的工作）。人工智能研究的傳統問題（或目標）包括推理，知識表示，計劃，學習，自然語言處理，感知以及移動和操縱對象的能力。AGI是該領域的長期目標之一。方法包括統計方法，計算智能和傳統的符號Al。AI中使用了許多工具，包括搜索和數學優化版本，人工神經網絡以及基于統計，概率和經濟學的方法。AI領域借鑒了計算機科學，信息工程，數學，心理學，語言學，哲學以及許多其他領域。該領域是基于這樣的假設，即“可以如此精確地描述人類的智力，從而可以制造出可以模擬它的機器”。這引發了關于思想和倫理學的哲學爭論，這些思想和倫理學是創造具有人類般智能的人造生物的。自古以來，神話，小說和哲學都曾探索過這些問題。有些人還認為，如果AI的發展步伐不減，它將對人類構成威脅。其他人則認為，與以前的技術革命不同，人工智能將帶來大規模失業的風險。在二十一世紀，隨著計算機功能，大量數據和理論理解的同時發展，人工智能技術也開始復蘇。人工智能技術已成為技術行業的重要組成部分，有助于解決計算機科學，軟件工程和運籌學中的許多難題。計算機科學將AI研究定義為對“智能代理”的研究：即能感知其環境并采取能夠最大程度地成功實現其目標的行動的任何設備。更為詳盡的定義將AI表征為“系統正確解釋外部數據，從此類數據中學習以及利用這些學習通過靈活的適應來實現特定目標和任務的能力”。典型的AI會分析其環境，并采取使成功機會最大化的行動。AI的預期效用函數（或目標）可以是簡單的（“如果AI贏得圍棋，則為1，否則為0”），也可以是復雜的（“在數學上類似于過去成功的操作”）。可以明確定義或誘導目標。如果將AI編程用于“強化學習”，則可以通過獎勵某些類型的行為或懲罰其他類型的行為來隱式地誘發目標。備選地，進化系統可以通過使用“健身功能”突變并優先復制高分AI系統來誘導目標，類似于動物如何進化以天生地渴望某些目標（例如尋找食物）。某些AI系統（例如最鄰近的系統）通常不會給出目標，而只是在其訓練數據中隱含了目標，而不是類似的推理。如果將非目標系統構架為“目標”是成功完成其狹窄分類任務的系統，則仍可以對此類系統進行基準測試。人工智能通常圍繞算法的使用而展開。算法是機械計算機可以執行的一組明確指令。復雜的算法通常建立在其他更簡單的算法之上。下面是一個簡單的算法示例（在第一個玩家中最佳），在井字游戲中玩法：1、 如果某人有“威脅”（即連續兩次），則取剩余的正方形。除此以外2、 如果某舉動“分叉”一次造成兩個威脅，則進行該舉動。除此以外3、 如果有空的話，走中心廣場。除此以外，4、 如果您的對手在角落里玩，則走到對面的角落。除此以外，5、 如果有的話，走一個空的角落。除此以外，占據任何空的正方形。許多AI算法都可以從數據中學習；他們可以通過學習新的啟發式方法（過去曾行之有效的策略或“經驗法則”）來增強自己，也可以自己編寫其他算法。下文所述的某些“學習者”，包括貝葉斯網絡，決策樹和最近鄰居，在理論上（給定無限數據，時間和記憶）可以學習近似任何函數，包括數學函數的哪種組合最能描述因此，這些學習者可以通過考慮每種可能的假設并將其與數據進行匹配，從而得出所有可能的知識。實際上，由于“組合爆炸”現象，幾乎不可能考慮每種可能性，解決問題所需的時間呈指數增長。大量的AI研究涉及弄清楚如何識別并避免考慮各種不太可能是有益的可能性。例如，當查看地圖并尋找從丹佛到東部紐約的最短行駛路線時，大多數情況下，人們可以跳過通過舊金山或西邊其他地區的任何路徑；因此，使用像A*這樣的尋路算法的AI可以避免組合爆炸，如果必須仔細考慮每條可能的路線，就會發生爆炸。最早（也是最容易理解）的人工智能方法是象征主義（例如形式邏輯）：“如果一個健康的成年人發燒，那么他們可能會患上流感”。第二種更普遍的方法是貝葉斯推論：“如果當前患者發燒，以某種方式調整他們患流感的可能性”。第三種主要方法是在常規業務AI應用程序中非常流行的方法，是類似器，例如SVM和最近鄰：“在檢查了已知過去患者的記錄后，這些患者的溫度，癥狀，年齡和其他因素與當前患者基本相符，X%那些患者中證明有流行性感冒”第四種方法很難直觀地理解，但受到大腦機械的工作原理的啟發：人工神經網絡方法使用人工“神經元”，該神經元可以通過將自身與所需輸出進行比較并改變其內部神經元之間的連接強度來學習。以“加強”似乎有用的連接。這四種主要方法可以相互重疊，也可以與進化系統重疊。例如，神經網絡可以學習進行推論，概括和進行類比。一些系統隱含或顯式地使用這些方法中的多種方法，以及許多其他AI和非AI算法。最佳方法通常因問題而異。學習算法的工作原理是，過去有效的策略，算法和推理將來可能會繼續有效。這些推論可能是顯而易見的，例如“由于過去一萬天每天早晨都有太陽升起，所以明天早晨也可能會升起”它們可能會產生細微差別，例如“X%的家庭在地理上具有不同的物種，具有不同的顏色，因此存在Y%的可能性，即存在未發現的黑天鵝”。學習者還可以在“奧卡姆剃刀”的基礎上工作：解釋數據的最簡單理論是最可能的。因此，根據奧卡姆（Occam）的剃刀原理，必須設計一種學習器，使其在復雜理論被證明更好的情況下更喜歡簡單理論而不是復雜理論。為適應過去的所有訓練數據而建立的糟糕，過于復雜的理論被稱為過度擬合。許多系統試圖通過根據理論對數據的擬合程度來獎勵理論來減少過擬合，但是根據理論的復雜程度對理論進行懲罰。除了經典的過擬合之外，學習者還可以通過“學習錯誤的課程”而感到失望。一個玩具例子是，僅對棕色馬和黑貓的圖片進行訓練的圖像分類器可能會得出結論，所有棕色斑塊都可能是馬。一個真實的例子是，與人類不同，當前的圖像分類器通常主要不是根據圖片各組成部分之間的空間關系做出判斷，而是學習人類所忽略的像素之間的關系，但仍然與人類的圖像相關聯。某些類型的真實對象。修改合法映像上的這些模式可能會導致系統對系統進行錯誤分類的“對抗性”映像。與人類相比，現有的人工智能缺乏人類“常識性推理”的幾個特征。最值得注意的是，人類具有強大的機制來推理“天真的物理學”，例如空間，時間和物理相互作用。這樣一來，即使是年幼的孩子也可以輕松地做出類似“如果將筆從桌子上滾下來，它將掉在地上”的推論。人類還具有強大的“民間心理學”機制，可以幫助他們解釋自然語言的句子，例如“市議員拒絕示威者，因為他們提倡暴力”（通用AI難以辨別被指控提倡的人）。暴力是議員或示威者）。缺乏“常識”意味著Al常常犯著人類似乎無法理解的錯誤而犯下了與人類不同的錯誤。例如，現有的自動駕駛汽車不能以人類的確切方式來推斷行人的位置或意圖，而是必須使用非人類的推理方式來避免發生事故。二．機器學習機器學習Machinelearning(ML)是對計算機算法的研究，該算法可通過經驗和數據使用自動提高。它被視為人工智能的一部分。機器學習算法基于樣本數據(稱為“訓練數據”)構建模型，以便進行預測或決策而無需明確地編程。機器學習算法被廣泛用于許多應用中，例如醫學，電子郵件過濾和計算機視覺，在這些應用中，很難或不可行地開發常規算法來執行所需的任務。機器學習的一個子集與計算統計緊密相關，計算統計側重于使用計算機進行預測。但并非所有機器學習都是統計學習。數學優化研究為機器學習領域提供了方法，理論和應用領域。數據挖掘是一個相關的研究領域，專注于通過無監督學習進行探索性數據分析。在跨業務問題的應用中，機器學習也稱為預測分析。機器學習涉及計算機發現他們如何執行任務而無需顯式編程來執行任務。它涉及計算機從提供的數據中學習，以便它們執行某些任務。對于分配給計算機的簡單任務，可以對算法進行編程，以告訴機器如何執行解決當前問題所需的所有步驟。在計算機方面，不需要學習。對于更高級的任務，人工手動創建所需的算法可能是一個挑戰。在實踐中，它可以更有效地幫助機器開發自己的算法，而不是由人工程序員指定每個所需的步驟。機器學習的學科采用各種方法來教計算機完成沒有完全令人滿意的算法可用的任務。在存在大量潛在答案的情況下，一種方法是將一些正確答案標記為有效。然后可以將其用作計算機的訓練數據，以改進其用于確定正確答案的算法。例如，為了訓練用于數字字符識別任務的系統，經常使用手寫數字的MNIST數據集。三．深度學習深度學習Deeplearning（也稱為深度結構化學習）是基于帶有表示學習的人工神經網絡的更廣泛的機器學習方法系列的一部分。學習可以是有監督的，半監督的或無監督的。諸如深度神經網絡，深度信念網絡，圖神經網絡，遞歸神經網絡和卷積神經網絡之類的深度學習架構已應用于計算機視覺，語音識別，自然語言處理，機器翻譯，生物信息學，藥物設計，醫學等領域圖像分析，材料檢查和棋盤游戲程序，這些程序所產生的結果可與人類專家的表現相媲美，甚至在某些情況下超過人類專家的表現。人工神經網絡（ANN）受到生物系統中信息處理和分布式通信節點的啟發。人工神經網絡與生物大腦有各種差異。具體來說，神經網絡往往是靜態的和象征性的，而大多數活生物體的生物大腦是動態的（可塑的）和類似的。深度學習中的形容詞“深度”是指在網絡中使用多層。早期的工作表明，線性感知器不能成為通用分類器，然后具有非多項式激活函數且具有一個無界寬度的隱藏層的網絡可以做到這一點。深度學習是一種現代變體，它涉及無邊界層數的無窮大，這允許實際應用和優化實現，同時在溫和條件下保留了理論上的普遍性。在深度學習中，出于效率，可培訓性和可理解性的考慮，還允許這些層是異類的，并且可以廣泛地偏離生物學告知的連接主義者模型，因此是“結構化”部分。深度學習是一類機器學習算法，它使用多層來從原始輸入中逐步提取更高級別的功能。例如，在圖像處理中，較低的層可以標識邊緣，而較高的層可以標識與人有關的概念，例如數字或字母或面部。

大多數現代深度學習模型都基于人工神經網絡,特別是卷積神經網絡（CNN）,盡管它們也可以包含命題公式或在潛在生成模型中分層組織的潛在變量，例如深度信念網絡中的節點和深度玻爾茲曼機器。Conv_lCork^gl^tlani(5m5)kernelpaddlingMaM-PoollnaINPUTnlchannels(28x2flk1]{24jc24xml)fj4FullvfConv_2

Convolution

(Sk5)kernel

w/Wpaddingnlchannels(12xl2xnl)Max-Pooling,fc_aFullv-ConnectedConv_lCork^gl^tlani(5m5)kernelpaddlingMaM-PoollnaINPUTnlchannels(28x2flk1]{24jc24xml)fj4FullvfConv_2

Convolution

(Sk5)kernel

w/Wpaddingnlchannels(12xl2xnl)Max-Pooling,fc_aFullv-ConnectedNeuralNetworkn2channelsn2channels(8x3kn2) (4x4xn2)OUTPUTReLUactivation一—NeuralNetworkn3uinit^在深度學習中,每個級別都學習將其輸入數據轉換為稍微抽象和復合的表示形式。在圖像識別應用程序中,原始輸入可以是像素矩陣；第一表示層可以提取像素并編碼邊緣；第二層可以組成并編碼邊緣的布置；第三層可以編碼鼻子和眼睛；第四層可以識別出圖像包含面部。重要的是,深度學習過程可以自行學習將哪些功能最佳地放置在哪個級別上。（當然,這并不能完全消除手工調整的需要；例如,不同數量的層和層大小可以提供不同的抽象度。）“深度學習”中的“深度”一詞是指數據轉換所經過的層數。更準確地說,深度學習系統具有很大的學分分配路徑（CAP）深度。CAP是從輸入到輸出的轉換鏈。CAP描述了輸入和輸出之間的潛在因果關系。對于前饋神經網絡,CAP的深度是網絡的深度,并且是隱藏層的數量加一層（因為輸出層也已參數化）。對于遞歸神經網絡,其中信號可能會不止一次地傳播穿過一層,因此CAP深度可能不受限制。沒有公認的深度閾值將淺層學習與深度學習區分開,但是大多數研究人員都同意深度學習涉及的CAP深度大于2。深度2的CAP在可以模擬任何功能的意義上已被證明是通用近似器。除此之外，更多的層不會增加網絡的函數逼近器功能。與淺層模型相比，深層模型（CAP>2）能夠提取更好的特征，因此，額外的圖層有助于有效地學習特征。N際N際n Urapdileaiuft?〔crnWdinia細致的門控圖神經網絡，用于圖像場景圖生成。可以使用