深度学习 vs. 机器学习 vs. 人工智能

对于 IT 从业人员来说，深度学习、机器学习和人工智能是最常在互联网上使用的术语。然而，这三项技术都相互关联。人工智能 (AI) 可以理解为一个总括，它包含了机器学习和深度学习。 或者我们可以说深度学习和机器学习都是人工智能的子集。

由于这些技术看起来相似，大多数人对“深度学习、机器学习和人工智能”存在误解，认为这三者是相似的。但实际上，尽管所有这些技术都用于构建智能机器或模仿人类行为的应用程序，但它们在功能和范围上仍然存在差异。

这意味着这三个术语经常被互换使用，但它们并不完全指代同一事物。让我们通过下图来理解深度学习、机器学习和人工智能之间的基本区别。

通过上图，您可以理解人工智能是计算机科学的一个分支，它帮助我们创建智能机器。此外，机器学习是人工智能的一个子领域，它帮助教授机器并构建人工智能驱动的应用程序。另一方面，深度学习是机器学习的一个子分支，它通过大量的输入和复杂的算法来训练机器学习模型，主要与神经网络协同工作。

在本篇文章《深度学习 vs. 机器学习 vs. 人工智能》中，我们将帮助您清晰地理解与这些技术相关的概念以及它们之间的区别。那么，让我们开始逐个介绍这项技术。

什么是人工智能 (AI)?

人工智能被定义为一个科学和工程领域，它致力于制造智能机器或计算机来执行类人活动。

约翰·麦卡锡先生被认为是这项了不起发明的奠基人。人工智能有一些流行的定义，如下所示：

“人工智能被定义为机器模仿智能人类行为的能力。”

“一种能够执行通常需要人类智能的任务的计算机系统，例如视觉感知、语音识别、决策制定和语言翻译。”

人工智能的类型

人工智能主要可以分为 4 种类型，如下所示：

1. 反应式机器
2. 有限记忆
3. 心智理论
4. 自我意识

人工智能的应用

• 语言翻译
• 医疗保健中的人工智能
• 语音识别、文本识别和图像识别
• 天文学中的人工智能
• 游戏中的人工智能
• 金融领域的人工智能
• 数据安全中的人工智能
• 社交媒体中的人工智能
• 旅游和交通中的人工智能
• 汽车行业的人工智能
• 机器人中的人工智能
• 娱乐、农业、电子商务、教育等领域的人工智能。

我们已经掌握了人工智能的基础知识。现在，让我们来讨论机器学习的基础知识。

什么是机器学习？

机器学习被定义为人工智能和计算机科学的一个分支，它通过算法利用过去的经验来专注于学习和提高计算机/机器的性能。

人工智能用于制造智能机器/机器人，而机器学习则帮助这些机器进行预测，而无需人类干预。

机器学习如何工作？

机器学习使用算法和技术，使机器能够从过去的经验/趋势中学习，并根据这些数据预测输出。

然而，首先，机器学习通过数据预处理访问大量数据。这些数据可以是结构化的、半结构化的或非结构化的。然后，这些数据通过一些技术和算法输入到机器中，然后根据过去的趋势，机器会自动预测输出。

在理解了机器学习模型的工作原理之后，就可以开始了解机器学习的类型了。

机器学习类型

根据教授机器的方法和技术，机器学习主要分为四种类型，如下所示：

1. 监督机器学习
   这种机器学习方法使用标记的数据集来训练机器，并根据这些数据集，机器会预测输出。它需要监督来训练模型和预测输出。图像分割、医学诊断、欺诈检测、垃圾邮件检测、语音识别等是监督机器学习的一些重要应用。
   监督机器学习可进一步分为以下两种类型的问题：
   • 分类
   • 回归
   监督机器学习的优点
   • 监督机器学习有助于根据先前的经验预测输出。
   • 它有助于提供关于物体类别的确切概念。
   监督机器学习的缺点
   • 这种方法在解决复杂问题方面并不显著。
   • 此方法不保证给出确切的输出，因为它包含结构化和非结构化数据。
   • 它需要更多计算时间来教授机器学习模型。
2. 无监督机器学习
   无监督机器学习与监督学习完全相反。与监督机器学习不同，它不需要监督，这意味着它不需要标记的数据集来训练机器。因此，在无监督机器学习中，输出的预测没有任何监督。无监督学习算法的主要目标是根据相似性、模式和差异对未排序的数据集进行分组或分类。网络分析、推荐系统、异常检测、奇异值分解等是无监督机器学习的一些重要应用。
   无监督机器学习进一步分为两种类型：
   
   • 聚类
   • 关联 (Association)
   无监督机器学习的优点
   • 由于它使用未标记的数据集，因此可以用来解决复杂的机器学习问题。
   • 与监督学习相比，它可用于解决多个任务。
   无监督机器学习的缺点
   • 使用未标记的数据集可能会预测不准确的输出。
   • 它是一种相对复杂的算法，因为它处理未标记的数据集，并且不与输出匹配。
3. 半监督机器学习
   半监督学习是监督和无监督机器学习的结合。虽然它使用标记和未标记的数据集来训练模型和预测输出，但大部分包含未标记的数据集。
   半监督机器学习的优点
   • 算法简单易懂。
   • 它效率较高。
   • 它用于解决监督和无监督学习算法的缺点。
   半监督机器学习的缺点
   • 不包含适用的网络级数据。
   • 结果不太准确。
   • 迭代结果可能不稳定。
4. 强化学习
   强化学习被定义为一种基于反馈的方法，通过过去的经验进行学习并改进模型的性能。在这种方法中，人工智能代理会通过反复试验的动作自动探索其周围环境。
   此外，在强化学习算法中，机器从经验或过去的数据中学习，而不使用标记的数据。它可以应用于各种实际场景，如视频游戏、资源管理、机器人技术、文本挖掘、运筹学与研究等。
   强化学习进一步分为两种类型：
   
   • 正强化学习
   • 负强化学习
   强化学习的优点
   • 它用于解决所有其他技术无效的复杂实时场景。
   • 它提供最准确的结果，因为它以与人类相似的方式学习。
   • 它对于实现长期结果至关重要。
   强化学习的缺点
   • 它不适用于简单的场景。
   • 它需要大量数据和计算。

机器学习涉及的步骤

机器学习涉及 7 个简单步骤，如下所示：

• 数据收集
• 数据预处理
• 选择模型
• 训练模型
• 测试模型
• 调整模型
• 预报

我们已经讨论了机器学习和人工智能的基础知识，现在该开始学习深度学习的基础知识了。

什么是深度学习？

“深度学习被定义为机器学习和人工智能的一个子集，它基于人工神经网络。”在深度学习中，“深度”一词指的是神经网络中的层数。

深度学习是一组受人脑结构和功能启发的算法。它使用大量的结构化和非结构化数据来训练计算机并预测准确的结果。机器学习和深度学习技术之间的主要区别在于数据的表示。机器学习使用结构化/非结构化数据进行学习，而深度学习使用神经网络进行学习模型。

在机器学习中，如果模型预测结果不准确，我们就需要手动修复。而在深度学习技术中，这些问题会自动修复，我们无需做任何显式操作。自动驾驶汽车是理解深度学习的一个最佳示例。

深度学习可用于解决许多复杂问题，并提供更准确的预测，例如图像识别、语音识别、产品推荐系统、自然语言处理 (NLP) 等。

深度学习的基本结构

深度学习包含各种具有不同层的神经网络，例如输入层、隐藏层和输出层。输入层接收输入数据；隐藏层用于查找数据中的任何隐藏模式和特征；输出层显示预期结果。

深度学习如何工作？

深度学习遵循几个简单的步骤：

1. 计算加权和。
2. 将此加权和（步骤 1）用作激活函数的输入。
3. 激活函数添加偏差，并决定神经元是否应被触发。
4. 在输出层预测输出。
5. 比较预测输出和实际输出，并相应地使用反向传播方法来改进模型性能。在此步骤中，成本函数在降低错误率方面起着至关重要的作用。

深度神经网络的类型

有几种不同的深度学习网络类型可用。它们如下：

• 前馈神经网络
• 径向基函数神经网络
• 多层感知机
• 卷积神经网络 (CNN)
• 循环神经网络
• 模块化神经网络
• 序列到序列模型

深度学习的应用

深度学习可应用于各个行业，例如：

• 自动驾驶汽车
• 欺诈检测
• 自然语言处理
• 虚拟个人助理
• 文本、语音和图像识别
• 医疗保健、基础设施、银行与金融、营销
• 娱乐
• 教育
• 自动游戏
• 自动手写生成
• 自动语言翻译
• 像素修复和照片描述与标记
• 人口统计和选举预测等。

结论

人工智能是第五代技术中最受欢迎的技术之一，它通过其子领域机器学习和深度学习正在改变世界。人工智能帮助我们创建智能系统，并赋予机器认知能力。此外，机器学习使机器能够根据经验学习，而无需人类干预，并使其能够通过给定的数据进行学习和预测结果。同时，深度学习是人工智能领域的突破，它利用各种层级的人工神经网络来为图像识别和文本识别等各种问题实现令人印象深刻的输出。因此，阅读完本主题后，您可以说，大多数人面临的关于区分这些术语的困惑将不复存在。本主题一定让您有足够的信心来理解人工智能 (AI)、机器学习 (ML) 和深度学习 (DL) 之间的基本区别。