本文知識點(想省事就不用往下了):
人工智慧(AI)、機器學習(ML)、深度學習(DL)的關係如下,DL ML AI。
人工智慧比喻成的孩子大腦,而機器學習就是讓孩子去掌握認知能力的過程,而深度學習是這過程中很有效率的一種教學體系。
人工智慧是目的,是結果;深度學習、機器學習是方法,是工具。
人工智慧的概念是在 1955 年提出的;機器學習概念是 1990 年提出的;深度學習概念是 2010 年提出的。
深度學習曾經是以機器學習中的「神經網路演算法」的身份存在的,隨著大資料的爆發,深度學習被單拿出來,成為一種學習思想。
“The last 10 years have been about building a world that is mobile-first。 In the next 10 years, we will shift to a world that is AI-first。” (Sundar Pichai, CEO of Google, October 2016)
從亞馬遜、Facebook、谷歌、微軟這些頂級科技公司能都看出,世界上最具影響力的技術公司的領導者都在強調他們對人工智慧(AI)的關注。
但是什麼是 AI?
為什麼 AI 很重要?
為什麼 AI 現在正是好時候?
我們對人工智慧越來越感興趣,但該領域主要由專家來理解。
本文的目的就是希望「能夠用淺顯的語言解釋 AI」
。
先解釋 AI 的含義和關鍵術語。
本文將說明 AI 的最有效的領域之一,「深度學習(Deep Learning)」是如何工作的。
將探索 AI 解決的問題以及它們為什麼 AI 很重要。
瞭解 AI 的歷史,為什麼 20 世紀 50 年代就有 AI 概念,可等到今天才爆發。
風險投資家,一直努力尋找新的趨勢,為消費者和公司創造價值。他們相信 AI 是一種比移動或雲計算轉變更重要的計算演進。
「這是很難誇大」亞馬遜執行長傑夫·貝佐斯寫道,「在未來20年,AI 將對社會造成巨大的影響」。無論你是消費者、公務員,企業家或投資者,這種新興趨勢對我們所有人都很重要。
什麼是 AI?
★ 人工智慧:智慧程式的科學
(
Artificial intelligence: The science of intelligent programs
)
1956 年 John McCarthy 建立的「人工智慧」(AI)是一個通用術語,指的是
表現出智慧的行為的硬體或軟體
。
用 McCarthy 教授的話來說,它是「
製造智慧機器,特別是智慧計算機程式的科學和工程
」。
「AI」這個詞兒已經存在了幾十年,然而,一直以來進步有限,因為解決許多現實世界問題的
製造智慧機器,特別是智慧計算機程式的科學和工程
太複雜了。
複雜的活動包括進行醫療診斷,預測何時機器將失效或測量某些資產的市場價值,涉及成千上萬的資料集和變數之間的非線性關係。
在這些情況下,很難使用我們最好的資料來「最佳化」我們的預測。在其他情況下,包括識別影象中的物件和翻譯語言,我們甚至不能制定規則來描述我們目標。舉個例子:
演算法
如果我們可以降低從程式設計師到程式的複雜預測(資料最佳化和特性規範)的難度呢?
這是現代人工智慧的關鍵點。
我們怎麼能寫一套規則,完整地描述一隻狗的外觀?
機器學習(ML)是 AI 的一個子集。所有機器學習是 AI,但不是所有的 AI 是機器學習。「AI」的興趣在今天表現於人們對「機器學習」的熱情,進展迅速且明顯。
機器學習讓我們透過演算法來解決一些複雜的問題。正如人工智慧先驅 Arthur Samuel 在 1959 中寫道的那樣,機器學習是需要研究的領域,
★ Machine Learning 機器學習:推理 - 知識 - 學習
。
它給計算機學習的能力而不是明確地程式設計能力
。一個演算法將接收到一個域的資訊(例如,一個人過去觀看過的電影),權衡輸入做出一個有用的預測(未來想看的不同電影的機率)。
透過計算機學習的能力,透過最佳化任務衡量變數的可用資料,做出演算法,來對未來做出準確的預測。
機器透過訓練學習。演算法最初接收其輸出是已知的示例,此時要注意其預測和正確輸出之間的差異,並且調諧輸入的權重以提高其預測的準確性,直到它們被最佳化。因此,機器學習演算法的定義特徵是,它們的
大多數機器學習的目標是為特定場景開發預測引擎
。
我們能提供的資料越多(通常達到一個點),就可以建立越好的預測引擎(圖 2、圖 3 連起來看)
常見的有超過 15 種機器學習方法,每種方法使用不同的演算法結構以基於接收的資料最佳化預測。深度學習最受歡迎,其他的受到較少的關注,但卻非常是有價值,它們更適用於廣泛的使用情況。
具體的機器學習演算法有:
構造間隔理論分佈:聚類分析和模式識別
人工神經網路
決策樹
感知器
支援向量機
整合學習AdaBoost
降維與度量學習
聚類
貝葉斯分類器
構造條件機率:迴歸分析和統計分類
高斯過程迴歸
線性判別分析
最近鄰居法
徑向基函式核
透過再生模型構造機率密度函式:
最大期望演算法
機率圖模型:包括貝葉斯網和Markov隨機場
Generative Topographic Mapping
近似推斷技術:
馬爾可夫鏈
蒙特卡羅方法
變分法
最最佳化:大多數以上方法,直接或者間接使用最最佳化演算法。
每種方法都有其優點和缺點,可以使用組合。選擇的演算法來解決一個特定的問題將取決於因素,包括可用的資料集的性質。在實踐中,開發人員傾向於實驗來選擇採取哪種方法。
機器學習的使用案例根據我們的需求和想象力而有所不同。
使用正確的資料,我們可以構建不同目的的演算法,包括:
根據他們以前的購買資料推薦產品;
預測生產線上的機械何時異常;
預測電子郵件是否被誤解;
估計信用卡交易是欺詐的機率等等。
預測的質量隨著經驗而改進
一般的機器學習寫執行某些任務的程式是很困難的,比如理解語音和識別影象中的物件。
舉個例子,如果我們想編寫一個識別汽車影象的計算機程式,那麼我們就不能指定一個演算法來處理汽車的特徵,以便在任何情況下都能進行正確的識別。汽車有各種各樣的形狀、大小和顏色。。他們的位置,方向和姿勢可以不同。背景,照明和其他許多因素影響的物件的外觀。變數太多,就算是我們硬頭皮寫了出來,這也不是一個好的可擴充套件的方案。如此一來,我們就需要為每一種我們要是別的物件單獨的寫程式。
但是,深度學習(DL),這徹底改變了人工智慧的世界。深度學習是一個子集的機器學習。所有深度學習都是機器學習,但並非所有機器學習都是深度學習(圖4,下)。
深度學習是很有用的,因為它避免了程式設計師必須按照特徵規範(定義資料中所分析的特徵)或最佳化(如何權衡資料以提供更準確的預測)的任務。(園長:簡單說,深度學習讓程式設計師不用看特質和最佳化)
深度學習是如何實現的?
深度學習模擬大腦,人類大腦會學習來克服困難 :包括理解言語和識別物件,不是透過處理窮舉規則,而是透過實踐和反饋。就像一個孩子,看到汽車會知道這是汽車,看到圖片會知道上面表達的含義。
★ Deep Learning 深度學習
。
深度學習使用相同的方法。基於人工和軟體的計算單元,其近似腦中的神經元的功能被連線在一起。
它們形成一個「神經網路」,它接收一個輸入(繼續我們的例子,一輛汽車的圖片),分析;他做出判斷並被告知自己的判斷是否正確,以此來訓練。如果輸出是錯誤的,神經元之間的連線由演算法調整,這將改變未來的預測。最初網路將錯誤多次。
在數百萬的例子中,神經元之間的連線將被調整,實踐使其逐漸完善,一步步接近完美。
透過深度學習 DL 我們現在可以:
識別圖片中的元素;
實時翻譯語言;
使用語音來控制裝置(透過 Apple 的 Siri,Google Now; Amazon Alexa 和 Microsoft Cortana);
預測遺傳變異如何影響 DNA 轉錄;
分析客戶評論中的情緒;
檢測醫學影象中的腫瘤;
其他更多可能性。。。
深度學習將程式設計師從複雜的問題處理中解放出來,為一系列重要問題提供了成功的預測的工具。
原文:The fourth industrial revolution: a primer on Artificial Intelligence (AI)
接下來我將會講解:
孩子們沒有一套詳細的規則來學習,孩子們是透過訓練而掌握這些的
不想錯過精彩內容?
歡迎關注知乎專欄:「掃地僧AI說」,每週導讀三篇優質英文文章。