下图来自博客 机器学习和深度学习概念入门 ,图中可明显看到人工智能、机器学习、深度学习三个概念的包含关系,下面简单介绍一下这三个概念已经它们之间的联系。
1. 人工智能(Artificial Intelligence,AI)
概念: 人工智能是计算机科学的一个分支,它的目标是让机器能够像人类一样思考、学习、决策和执行任务。
提出: 1956年,约翰·麦卡锡在达特茅斯会议上首次提出“人工智能”这一术语,标志着人工智能作为一门学科的正式诞生。
AI中的几个概念:
-
符号主义: 符号主义是人工智能的传统方法之一,它通过显式的规则和逻辑推理来模拟智能。优点: 具有良好的可解释性,推理过程可以清楚地追溯和理解。缺点: 符号主义适用于结构化的任务,但难以处理复杂、不确定和模糊的数据,且需要大量人工编码规则。
-
连接主义: 连接主义通过模拟神经网络的结构和工作原理让计算机“学习”任务,它的核心是神经网络。优点: 能够处理大规模、非结构化的数据。缺点: 决策过程可解释性差,模型训练需要大量数据和计算资源。
-
行为主义: 行为主义关注智能体的行为和与环境的交互,认为智能体的行为是通过与环境的交互而产生的。(不太理解,这样说感觉很像强化学习)
2. 机器学习(Machine Learning,ML)
概念: 机器学习是人工智能的一个重要分支,指的是让计算机系统通过数据自动学习和改进性能,而无需显式编程(显示编程中,程序员需要制定明确的规则告诉计算机如何推理和决策,我的理解,符号主义就是显示编程)。机器学习是一种数据驱动的方法,机器学习算法通过寻找数据中的模式和规律来预测或决策。
机器学习有以下三种主要类型:
-
监督学习(Supervised Learning):
定义: 监督学习中,模型通过使用已标注的训练数据(即每个输入都对应一个已知的输出)进行学习。
应用场景: 分类(如垃圾邮件识别)、回归(如房价预测)。
常见算法: 线性回归、逻辑回归、支持向量机(SVM)、决策树、随机森林、K近邻(KNN)。 -
无监督学习(Unsupervised Learning):
定义: 无监督学习使用未标注的数据进行训练,模型需要从未标注数据中找出隐藏的模式。
应用场景: 聚类(如用户分群)、降维(如PCA)。
常见算法: K-means聚类、主成分分析(PCA)、自编码器。 -
强化学习(Reinforcement Learning):
定义: 强化学习通过让智能体与环境交互来学习最佳的决策策略,算法通过奖励和惩罚来更新行为策略,以获得最大化的累积奖励。
应用场景: 决策任务、游戏AI(如AlphaGo)、机器人控制、自动驾驶。
常见算法: Q-learning、Deep Q Network(DQN)、Policy Gradient。
3. 深度学习(Deep Learning,DL)
概念: 深度学习是机器学习的一个子分支,它基于人工神经网络,通过多层神经网络来自动学习数据的特征表示,并用于解决各种复杂问题,如预测、分类、生成等任务。
深度学习中的常见术语: 多层感知机、激活函数、前向传播、反向传播、梯度等等…
深度学习的经典模型/网络结构:
-
卷积神经网络(CNN, Convolutional Neural Network): 擅长特征提取,主要用于图像处理、计算机视觉任务,如图像分类、目标检测等。
-
循环神经网络(Recurrent Neural Network,RNN): 主要适用于序列数据(如时间序列、文本、语音),常用于自然语言处理(如语言建模、机器翻译)、语音识别、序列生成等任务。
-
生成对抗网络(GAN,Generative Adversarial Network): GAN 由一个生成器(Generator)和一个判别器(Discriminator)组成,通过对抗训练来生成与真实数据相似的样本,生成器试图生成逼真的数据,判别器则试图分辨真假数据。GAN适用于生成任务,如图像生成、图像修复、图像风格转换等。