带你搞懂人工智能、机器学习和深度学习!

news2024/11/27 2:35:12

不少高校的小伙伴找我聊入门人工智能该怎么起步,如何快速入门,多长时间能成长为中高级工程师(聊下来感觉大多数学生党就是焦虑,毕业即失业,尤其现在就业环境这么差),但聊到最后,很多小朋友连人工智能和机器学习、深度学习的关系都搞不清楚。

今天更文给大家科普一下这三者是什么及他们之间的关系,希望能帮到大家

人工智能

人工智能(Artificial Intelligence,简称 AI)这个词学术上是如何定义的呢?

美国麻省理工学院温斯顿教授认为:“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。另外有说“限制人工智能发展的是人的想象力”更使人工智能技术蒙上了一层浩瀚伟大的神秘外衣

人工智能的发展将会彻底改变人类的生产和生活方式,随之而来的是社会对人才需求的改变,即:就业趋势会逐渐偏向 AI 领域。

事实上,人工智能已经在各行各业的发展中扮演着重要的角色,并且它的地位还在不断地提升。

例如:人脸识别、自动驾驶、智能客服、短视频推荐、金融风控、智慧医疗、智慧农业、机器人技术等,这些都是人工智能在各个行业中的具体应用。

人工智能是一个不断发展和变化的领域,它是一个真正充满希望的行业。人工智能一方面使得其它职业容易被替代,另一方面也增加了 AI 技术人员的不可替代性。

接下来,聊一下机器学习与深度学习的概念以及它们和人工智能的关系,这是许多刚接触 AI 这个领域的人最容易混淆的几个概念。

机器学习

首先,什么是机器学习?它和人工智能有什么关系呢?

机器学习(Machine Learning,简称 ML)是从大量的经验数据中学习一种规律(或者称之为模型),从而实现人类所具备的一些能力。

举个栗子吧,比如我可以根据一个人的身高去预测他的体重,一定是因为我见过很多的人,并且了解了他们的身高和体重,才会有一个比较合理的判断。

那么我的这种判断能力可以让计算机学会吗?答案是肯定的。机器学习是人工智能的一种实现方式,也是最重要的实现方式。

首先,我们需要收集大量的身高和体重数据,然后根据这些数据画一个散点图:

 

仔细观察,身高和体重的关系其实可以用高中所学的一次线性函数 f(x) = kx+b 来近似刻画,我们假设数据符合这样的规律,然后让计算机从数据中学习到函数的参数 k 和 b。

这里的 f(x) 可以理解为机器学习中的模型,换句话说,模型本质上是一个数学上的函数,也可以称之为从输入到输出的映射。

请你思考一个问题:计算机是如何从数据中学习到参数 k 和 b 的呢?

你可能会想到高中学过的一次线性函数的解法:先根据两点坐标确定斜率,然后得到点斜式直线方程。那么,计算机是这么做的吗?

计算机可不是这么解的。首先,选择哪两个点来确定斜率就是个问题。因为这些数据点并不是严格的一次线性关系,我们是用 f(x) = kx + b 来近似刻画数据的规律,所以计算机要做的是让这个近似的函数最大程度地拟合数据,进而使得误差最小化。

这其实也引出了机器学习的方法:最小化误差函数。这里的误差函数在机器学习中的术语叫做 经验风险或结构风险 。至于如何最小化,这又是一个知识点了,涉及到最优化算法。在后面的课程中,我会详细讲解经验风险、结构风险以及基本的最优化算法。

模型参数学习的思路是:先初始化参数 k 和 b,然后把数据点 (x,y) 的横坐标 x 代入一次线性函数得到预测值 f(x),根据预测值 f(x) 与真实值 y 的误差去调整参数,直到整体误差足够小时,停止学习。如图所示:

 

这幅图反映了模型 y=kx+b 对蓝色数据点的拟合情况,假如学习到的模型是 y = 0.34x+2,我们就可以根据 y = 0.34x + 2 来预测未知身高 x 对应的体重值 y了。

综上所述,机器学习本质上是数据驱动下的学习,而人类学习是靠过往的经验去学习。

AI、ML、DL的关系

我们经常听到的是深度学习(Deep Learning ,简称 DL)和人工智能这两个词。那么深度学习与人工智能有什么关系呢,机器学习和深度学习哪个概念的范畴更大一些呢?

答案是机器学习的范畴更大一些。具体来讲,深度学习是机器学习现在比较火的一个方向,其本身是神经网络算法的衍生,在图像、语音等富媒体的分类和识别上取得了非常好的效果。

所以,深度学习也是人工智能的一种重要的实现方式。下面这张图反映了AI、ML、DL 的从属关系和研究范畴大小:

 

如果你有更简洁更合理的说法欢迎交流。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/475154.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

07 Kubernetes 网络与服务管理

课件 Kubernetes Service是一个抽象层,用于定义一组Pod的访问方式和访问策略,其作用是将一组Pod封装成一个服务,提供一个稳定的虚拟IP地址和端口号,以便于其他应用程序或服务进行访问。 以下是Kubernetes Service YAML配置文件的…

FPGA时序约束(五)衍生时钟约束与I/O接口约束

系列文章目录 FPGA时序约束(一)基本概念入门及简单语法 FPGA时序约束(二)利用Quartus18对Altera进行时序约束 FPGA时序约束(三)时序约束基本路径的深入分析 FPGA时序约束(四)主时…

2023五一建模A题完整版本【原创首发】

已经完成五一数学建模全部内容,大家可以文末查看!!供参考使用! 摘要 本文研究了喷气式无人机在执行空中物资投放和爆破任务过程中的数学建模问题。我们分析了无人机投放距离与飞行高度、飞行速度、空气阻力等因素之间的关系&…

【Mybatis源码分析】动态标签的底层原理,DynamicSqlSource源码分析

DynamicSqlSource 源码分析 一、DynamicSqlSource 源码分析😯DynamicContext源码分析🙄SqlNode源码分析(动态SQL标签)Mybatis 动态SQL标签举例、调试SqlNode源码分析MixedSqlNodeIfSqlNodeWhereSqlNode、SetSqlNode、TrimSqlNodeS…

区域医疗云his系统源码,具有可扩展、易共享、易协同的优势

云HIS系统采用SaaS软件应用服务模式,提供软件应用服务多租户机制,实现一中心部署多机构使用。相对传统HIS单机构应用模式,它可灵活应对区域医疗、医疗集团、医联体、连锁诊所、单体医院等应用场景,并提升区域内应用的标准化与规范…

安装配置goaccess实现可视化并实时监控nginx的访问日志

一、业务需求 我们安装了nginx后,需要对nginx的访问情况进行监控(希望能够实时查看到访问nginx的情况),如下图所示: 二、goaccess的安装配置步骤 2.1、准备内容 需要先安装配置nginx或OpenResty - 安装 Linux环境对Nginx开源版源码下载、编译、安装、开机自启https://b…

从0开始利用Jenkins构建Maven项目(微服务)并自动发布

0. 前言 本文旨在帮助读者梳理如何从0开始利用Jenkins构建Maven项目(微服务)的自动发布任务 本文目录如下: 如何完成自动部署 0. 前言1. 配置工具类地址1.1 JDK1.2 Git1.3 Maven 2. 安装Jenkins3. 安装额外的工具插件4. 配置必要参数4.1 配…

TiDB实战篇-索引设计

简介 实战索引设计 数据映射原理 索引 唯一索引 二级索引 索引实例 索引设计 索引创建(建表的时候创建) 建表完以后添加 联合索引(最左原则,索引覆盖) 使用例子 索引覆盖 表达式索引 表达式索引的使用 不可见…

【youcans 的 OpenCV 学习课】23. 人脸检测:Haar 级联检测器

专栏地址:『youcans 的图像处理学习课』 文章目录:『youcans 的图像处理学习课 - 总目录』 【youcans 的 OpenCV 学习课】23. 人脸检测:Haar 级联检测器 4. Haar 级联分类器5. Haar 人脸/人眼检测器5.1 OpenCV 中的级联分类器5.2 Haar 级联检…

OPNET Modeler 调试简介

在使用 OPNET Modeler 软件运行仿真时,经常会遇到错误,发现和定位错误所在的地方是解决错误的第一步,那么怎么定位错误呢,这个时候就需要采用仿真调试器 (OPNET Simulation Debugger,ODB)进行调试了。 在 OPNET 中&…

【模电实验】电路元件伏安特性的测绘及电源外特性的测量

实验2电路元件伏安特性的测绘及电源外特性的测量 实验目的 学习测量线性和非线性电阻元件伏安特性的方法,并绘制其特性曲线学习测量电源外特性的方法掌握运用伏安法判定电阻元件类型的方法学习使用直流电压表、电流表,掌握电压、电流的测量方法 实验原…

Java BIO(Blocking IO:同步并阻塞式IO)

1.基本介绍 1>.Java BIO就是传统的java io编程,其相关的类和接口在"java.io"包下; 2>.BIO(Blocking I/O): 同步阻塞,服务器实现模式为一个连接一个线程,即客户端有连接请求时服务器端就需要启动一个线程进行处理; 如果这个连接不做任何事情会造成(服务器)不必…

【C++】STL——list深度剖析 及 模拟实现

文章目录 前言1. list的介绍及使用1.1 list的介绍1.2 list的使用遍历插入删除数据Operations迭代器的功能分类list 的sort性能测试 2. list的模拟实现2.1 STL_list源码浏览2.2 基本结构实现2.3 思考:list迭代器是否可以用原生指针2.4 list迭代器的实现(重…

RocketMQ5.1 NameServer 路由管理

文章目录 1. 路由管理核心组件介绍2. RouteInfoManager 路由表3. 路由管理3.1 注册 Broker3.2 注销 Broker3.3 拼凑 TopicRouteData 此文章基于 RocketMQ 5.1 版本进行分析,与 4.x 版本相比此文章分析的部分源码有很大的区别 1. 路由管理核心组件介绍 路由管理是指…

亚马逊、沃尔玛、ebay测评出现风控、砍单、封号怎么解决?

大家好,我是亚马逊测评珑哥,提前祝各位跨境朋友五一假期愉快。 很多卖家和工作室的朋友加珑哥,沟通中很多朋友都在问为什么测评中一直被砍单,封号是什么原因?其实测评不是你随便买个IP,或者买几个买家号就…

轻松掌握mysql慢查询定位与优化知识点

在这里插入图片描述 1、利用工具定位慢sql 1、运维工具Skywalking 1、定位到慢接口 2、追踪慢sql的执行情况 2、利用MySQL的日志定位慢sql 在调式阶段才开启慢日志的查询,因为会损耗一些性能。 3、分析是否正确使用了索引 当我们已经定位到具体哪个sql较慢时&…

【计算几何】帝国边界划分问题【Voronoi图的原理】

一、说明 Voronoi 单元也称为泰森多边形。 Voronoi 图在许多领域都有实际和理论应用,主要是在科学和技术领域,但也在视觉艺术领域使用。Voronoi 图以数学家 Georgy Voronoy 的名字命名,也称为 Voronoi 镶嵌、Voronoi 分解、Voronoi 分区或 Di…

减少过拟合:暂退法

文章目录 (一)过拟合(二)暂退法 (一)过拟合 1.过拟合产生的原因 (1)根本原因: 我们都知道模型参数的优化方式:反向传播更新梯度,然后随机梯度下降。 也非常清楚模型参…

【Java笔试强训 9】

🎉🎉🎉点进来你就是我的人了博主主页:🙈🙈🙈戳一戳,欢迎大佬指点! 欢迎志同道合的朋友一起加油喔🤺🤺🤺 目录 一、选择题 二、编程题 🔥另类加法…

弗洛伊德算法(求最短路径)

弗洛伊德算法介绍 和迪杰斯特拉算法一 样, 弗洛伊德(Floyd)算法也是一种用于寻找给定的加权图中顶点间最短路径的算法。弗洛伊德算法(Floyd)计算图中各个顶点之间的最短路径迪杰斯特拉算法用于计算图中某-一个顶点到其他项点的最短路径。弗洛伊德算法VS迪杰斯特拉算…