3分鐘看懂機器學習與深度學習，AI其實沒那么難理解
3分鐘看懂機器學習與深度學習，AI其實沒那么難理解！
“人工智慧”一詞已經流傳了一段時間。 我們在科幻電影中看到它，我們玩的“AI”游戲機器人，Google搜索等等。 盡管如此，“機器學習”和“深度學習”已經浮出水面，很多人都在詢問這些是什么。本文將給出具體的解釋，讓你輕松了解二者的區別。
人工智慧
人工智慧是一般類別，三者都是共同的。 在圖表中，人工智慧將是包含機器和深度學習的更大的封裝圈。 AI基本上是由機器演示的任何智能，在遇到問題時將其引導到最佳或次優解決方案。現在，像這樣的算法不具備大多數人將“AI”與之相關聯的認知，學習或解決問題的能力。 然而，該算法只是一個代理，在給定問題及其狀態的情況下導致最優解。
屬于AI但不屬于機器學習的代理通常是僅使用決策樹用于邏輯的代理，或者是使用規則和指令構建的代理。
機器學習：認知的跡象
Arthur Samuel在1959年創造了“機器學習”一詞，將其定義為“沒有明確編程就能學習的能力。”機器學習，最基本的形式，是使用算法解析數據，從中學習，以及 然后對世界上的某些事物做出決定或預測。 初學者最常見的例子是房價。 Redfin或Zillow這樣的網站如何預測當前擁有的房屋的價格是多少？
這并不復雜。 機器學習的核心是，除了在很多方面外，它實際上只是制作了最佳的線條。 房價預測模型會查看大量數據，每個數據點都有幾個維度，如大小，臥室數，浴室數，庭院空間等。它會根據這些輸入參數創建一個函數，然后將系數轉換為 這些參數中的每一個都在查看越來越多的數據。
這種機器學習方法稱為“監督學習”，其中給予模型的數據包括每個輸入集的問題答案。 它基本上為每組特征提供輸入參數，稱為特征和輸出，模型從中調整其功能以匹配數據。 然后，當給定任何其他輸入數據時，模型可以執行相同的功能并產生準確的輸出。
機器學習的其他派系是無監督學習和強化學習。 簡而言之，無監督學習只是發現數據的相似之處 - 在我們的房子示例中，數據不包括房價（數據只會輸入，它沒有輸出），模型可以說“嗯，基于這些參數，House 1最類似于House 3“或類似的東西，但無法預測給定房屋的價格。
代理在環境中采取行動，該環境被解釋為狀態的獎勵和表示，其被反饋到代理中。 想想一個小寶寶：哭泣導致糖果 - 獎勵。 隨著時間的推移，如果父母一直滿足孩子對糖果的渴望，嬰兒每次想要糖果時都會學會哭泣。
深度學習：與人類的聯系
深度學習的靈感來自大腦的結構和功能，即許多神經元的互連。 神經網絡是模擬大腦生物結構的算法。
神經網絡在人腦上松散地建模，由數千甚至數百萬個密集互連的簡單處理節點組成。 今天的大多數神經網絡被組織成節點層，它們是“前饋”，意味著數據只在一個方向上穿過它們。 單個節點可能連接到其下面的層中的幾個節點，從中接收數據，以及它上面的層中的幾個節點，它們向其發送數據。
對于每個傳入連接，節點將分配一個稱為“權重”的數字。當網絡處于活動狀態時，節點在其每個連接上接收不同的數據項（不同的數字），并將其乘以相關權重。然后它將得到的產品加在一起，產生一個數字。如果該數字低于閾值，則節點不會將數據傳遞到下一層。如果數量超過閾值，則節點“觸發”，在今天的神經網絡中通常意味著沿著其所有傳出連接發送數字 - 加權輸入的總和。
當訓練神經網絡時，其所有權重和閾值最初都設置為隨機值。訓練數據被饋送到底層 - 輸入層 - 它通過后續層，以復雜的方式相乘并加在一起，直到它最終到達，從根本上轉換到輸出層。在訓練期間，不斷調整權重和閾值，直到具有相同標簽的訓練數據始終產生類似的輸出。
深度學習基本上是關于類固醇的機器學習。 處理功能有多個層，通常，每個層都會提取一些有價值的信息。 例如，一個神經網絡可以處理用于駕駛自動駕駛汽車的圖像。 每個層將處理不同的東西，例如，第一層可以檢測道路兩側的邊緣。 另一層可以檢測圖像中的車道線，另一層可能是其他車輛。
比如計算機視覺功能的發展用例，谷歌曾經在2017年發布了一款AI硬件紙盒套件（也是旗下AI開源項目(AIY Projects)的作品）。其中，Vision Kit 就是一套簡單的計算機視覺系統，它可以檢測幾千種常見物體，但也可以對人類的臉部表情進行檢測，并顯示出情緒，比如微笑、皺眉、憤怒、開心等等。
“人工智慧”一詞已經流傳了一段時間。 我們在科幻電影中看到它，我們玩的“AI”游戲機器人，Google搜索等等。 盡管如此，“機器學習”和“深度學習”已經浮出水面，很多人都在詢問這些是什么。本文將給出具體的解釋，讓你輕松了解二者的區別。
人工智慧
人工智慧是一般類別，三者都是共同的。 在圖表中，人工智慧將是包含機器和深度學習的更大的封裝圈。 AI基本上是由機器演示的任何智能，在遇到問題時將其引導到最佳或次優解決方案。現在，像這樣的算法不具備大多數人將“AI”與之相關聯的認知，學習或解決問題的能力。 然而，該算法只是一個代理，在給定問題及其狀態的情況下導致最優解。
屬于AI但不屬于機器學習的代理通常是僅使用決策樹用于邏輯的代理，或者是使用規則和指令構建的代理。
機器學習：認知的跡象
Arthur Samuel在1959年創造了“機器學習”一詞，將其定義為“沒有明確編程就能學習的能力。”機器學習，最基本的形式，是使用算法解析數據，從中學習，以及 然后對世界上的某些事物做出決定或預測。 初學者最常見的例子是房價。 Redfin或Zillow這樣的網站如何預測當前擁有的房屋的價格是多少？
這并不復雜。 機器學習的核心是，除了在很多方面外，它實際上只是制作了最佳的線條。 房價預測模型會查看大量數據，每個數據點都有幾個維度，如大小，臥室數，浴室數，庭院空間等。它會根據這些輸入參數創建一個函數，然后將系數轉換為 這些參數中的每一個都在查看越來越多的數據。
這種機器學習方法稱為“監督學習”，其中給予模型的數據包括每個輸入集的問題答案。 它基本上為每組特征提供輸入參數，稱為特征和輸出，模型從中調整其功能以匹配數據。 然后，當給定任何其他輸入數據時，模型可以執行相同的功能并產生準確的輸出。
機器學習的其他派系是無監督學習和強化學習。 簡而言之，無監督學習只是發現數據的相似之處 - 在我們的房子示例中，數據不包括房價（數據只會輸入，它沒有輸出），模型可以說“嗯，基于這些參數，House 1最類似于House 3“或類似的東西，但無法預測給定房屋的價格。
代理在環境中采取行動，該環境被解釋為狀態的獎勵和表示，其被反饋到代理中。 想想一個小寶寶：哭泣導致糖果 - 獎勵。 隨著時間的推移，如果父母一直滿足孩子對糖果的渴望，嬰兒每次想要糖果時都會學會哭泣。
深度學習：與人類的聯系
深度學習的靈感來自大腦的結構和功能，即許多神經元的互連。 神經網絡是模擬大腦生物結構的算法。
神經網絡在人腦上松散地建模，由數千甚至數百萬個密集互連的簡單處理節點組成。 今天的大多數神經網絡被組織成節點層，它們是“前饋”，意味著數據只在一個方向上穿過它們。 單個節點可能連接到其下面的層中的幾個節點，從中接收數據，以及它上面的層中的幾個節點，它們向其發送數據。
對于每個傳入連接，節點將分配一個稱為“權重”的數字。當網絡處于活動狀態時，節點在其每個連接上接收不同的數據項（不同的數字），并將其乘以相關權重。然后它將得到的產品加在一起，產生一個數字。如果該數字低于閾值，則節點不會將數據傳遞到下一層。如果數量超過閾值，則節點“觸發”，在今天的神經網絡中通常意味著沿著其所有傳出連接發送數字 - 加權輸入的總和。
當訓練神經網絡時，其所有權重和閾值最初都設置為隨機值。訓練數據被饋送到底層 - 輸入層 - 它通過后續層，以復雜的方式相乘并加在一起，直到它最終到達，從根本上轉換到輸出層。在訓練期間，不斷調整權重和閾值，直到具有相同標簽的訓練數據始終產生類似的輸出。
深度學習基本上是關于類固醇的機器學習。 處理功能有多個層，通常，每個層都會提取一些有價值的信息。 例如，一個神經網絡可以處理用于駕駛自動駕駛汽車的圖像。 每個層將處理不同的東西，例如，第一層可以檢測道路兩側的邊緣。 另一層可以檢測圖像中的車道線，另一層可能是其他車輛。
比如計算機視覺功能的發展用例，谷歌曾經在2017年發布了一款AI硬件紙盒套件（也是旗下AI開源項目(AIY Projects)的作品）。其中，Vision Kit 就是一套簡單的計算機視覺系統，它可以檢測幾千種常見物體，但也可以對人類的臉部表情進行檢測，并顯示出情緒，比如微笑、皺眉、憤怒、開心等等。