读这一篇,对于AI、机器学习、深度学习你都会有基本的认知

读这一篇,对于AI、机器学习、深度学习你都会有基本的认知

人们现在谈论的人工智能好像还在遥远的未来,但实际上,它已经在我们的生活中激增。从我们给孩子购买的最新玩具机器人宠物到执行预定手术的外科医生机器人,再到十分了解我们对音乐、电影、广告的偏好的推荐系统,我们实际上已经进入了人工智能,与它同在。

随着“人工智能”变得更加智能和普遍,我们内心会产生一种自然的恐惧。有人会担心在我们的社会中没有正确实施人工智能带来的反乌托邦,有人会担心AI会取代我们所有的工作,有人担心我们对这些技术会过分沉迷,又或者,我们其实可以尝试理解这一切,回过头来真正评估我们的工作场所实施AI的成本和收益,从而使得每个人都可以在通过人工智能真正塑造自己的未来。

什么是人工智能?

从历史上看,Alan Turing的“思考机器”和John McCarthy的“可以自主思考的机器”都是用于AI的定义。随着人工智能系统的发展,我们现在将人工智能称为“对与人类传统反应一致的刺激做出反应的机器,具有人类思考、判断和意图的能力。”

人工智能就像这个词暗示的那样,智能是人为的,由人类编程来执行人类活动。这种人工智能被整合到计算机系统中,以创建最终作为“思考机器”单元的AI系统。

  • 一般AI Systems可以智能地解决问题。 (例如:人工智能股票交易系统)
  • 窄AI系统可以很好地执行特定任务。 (例如:AI驱动的制造臂)

根据Darrell M. West的布鲁金斯学会报告,这些系统有三个特征:意向性、智能和适应性。

意向性 – 人类设计AI系统的目的是根据历史或实时数据或两者兼而有之做出决策。这些AI系统包含预订的响应。

智能 – 人工智能系统通常将机器学习、深度学习和数据分析与人工智能相结合,从而实现智能决策。这种智能不是人类的智慧,只能说是对人类智能的最好的近似。

适应性 – 人工智能系统具有在编制信息和做出决策时学习和适应的能力。随着AI系统从实时数据中学习,AI系统可以改进其决策能力以提高结果。

读这一篇,对于AI、机器学习、深度学习你都会有基本的认知

人工智能、机器学习、深度学习

人工智能系统通常采用人工智能、机器学习和深度学习来创建一个复杂的智能机器,可以很好地执行给定的人类功能。这三个单元越来越多地成为整个人工智能系统的智力拼图的独立部分。

机器学习 – 它是人工智能的一种应用,它为AI系统提供了自动学习环境的能力,并应用该学习来做出更好的决策。机器学习使用各种算法来迭代学习、描述和改进数据,以便预测更好的结果。这些算法使用统计技术来发现模式,然后对这些模式执行操作。

深度学习 – 它是下一代机器学习。它是机器学习的一个子集,深度学习模型可以使他们自己的预测完全独立于人类。在许多情况下,过去的机器学习模型仍需要人为干预才能达到最佳结果,深度学习模型使用人工神经网络。该网络的设计灵感来自于人脑的生物神经网络,它分析数据的逻辑结构类似于人类得出结论的方式。

监督机器学习VS非监督机器学习VS强化学习

机器学习的基础包括从环境中学习,然后将学习应用于决策。为了有效地做到这一点,有一些机器学习算法使之成为可能。

监督机器学习 – 在监督学习中,目标是提出一种映射函数(f),它将最好地描述输入数据(x)以结束输出数据(Y)。我们知道x和Y,但是,我们必须找到能够达到一定性能水平的映射函数(f)。然后,我们可以将映射函数(f)应用于新数据以获得类似的结果,训练数据用于查找函数f。

Y = f(X)

有两种类型的监督机器学习问题:分类和回归取决于输出变量的类型。如果输出变量是分类的,则它是分类问题。(例如:颜色可以是红色、蓝色、紫色等……)如果输出变量是实数值,那么它就是回归问题。 (例如:高度可以是0英尺到10英尺)

监督机器学习算法列表包括:

  • 线性回归
  • 支持向量机
  • Logistic回归
  • 朴素贝叶斯
  • 线性判别分析
  • 决策树
  • K-最近邻算法

无监督机器学习 – 与监督机器学习不同,无监督机器学习不假设正确的输出集合“Y”。没有输出。这里的目标是呈现最有趣的结构,最好地描述输入数据。

有两种类型的无监督机器学习问题:聚类和关联。当您在输入数据中发现分组时,聚类问题就出现了。(示例:按性别对投票行为进行分组)关联是指您在输入数据中发现规则。 (例如:女性选民倾向于为女性候选人投票)

无监督机器学习算法列表包括:

  • 分层聚类
  • K均值聚类
  • 混合模型
  • DBSCAN
  • 局部异常因子
  • 神经网络
  • 期望最大化算法
  • 主成分分析
  • 非负矩阵分解

强化学习 – 与受监督的ML和无监督的ML不同,强化学习的重点是找到最佳路径,以便在某种情况下最大化奖励。该决定是按顺序进行的。在每个步骤中,算法都采用总奖励的路径,它将具有正面或负面奖励。总奖励是沿着路径的所有正面和负面奖励的总和。目标是找到最大化奖励的最佳途径。 (一个很好的例子是支持AI的股票交易系统。)

  • Q学习
  • 策略迭代
  • State-Action-Reward-State-Action(SARSA)
  • 深Q网络
  • 深度确定性策略梯度

深度学习是下一代机器学习

深度学习是下一代机器学习算法,它使用多个层逐步从原始输入中提取更高级别的特征(或理解)。例如,在图像识别应用中,深度学习算法不仅仅识别矩阵像素,而是识别某个级别的边缘,另一个级别的鼻子,并且面向另一个级别。由于能够从上层一直向上理解数据,深度学习算法可以随着时间的推移改善其性能,并在任何给定的时刻做出决策。

深度学习算法的强大之处在于它能够承担监督学习任务以及无监督学习任务。它也近似于人类大脑的许多大脑发育理论。

深度学习算法现在被计算机视觉系统,语音识别系统,自然语言处理系统,音频识别系统,生物信息学系统和医学图像分析系统使用。

进一步了解深度学习算法的基础知识:

  • 卷积神经网络
  • 人工神经网络
  • 前馈神经网络
  • 多元线性回归
  • 梯度下降
  • Logistic回归

现实生活中的应用

在现实生活中,问题很少是简单的。 AI最适合解决某些问题。通常,AI最适合在解决问题时执行某些步骤,而将其余部分留给人类。例如,AI启用的聊天机器人可能能够跟踪员工的项目,获得状态的更新,但是,管理人员仍然需要构建团队、激励团队并引导团队朝着正确的方向前进。

最适合AI解决的问题:

  • 重复性任务 – 按照逻辑步骤得出结论的手动任务。 (例如:包装货物,准备在仓库交货)
  • 数据密集型任务 – 涉及分析大量数据以查找模式和异常的任务。 (例如:从财务记录中发现欺诈行为。)
  • 超级人类任务 – 需要超人能力的任务,并说明人类感官技能和精细运动技能的局限性。 (例如:机器人外科医生可以使用最精确的动作进行非侵入性手术。精细调整的计算机视力可以在人眼无法进行MRI检查时发现肿瘤。)

随着人工智能系统的发展,我们面临的挑战是面对人类自身的局限性。虽然人工智能为我们的生活带来了更多的效率,但我们面临着将人工智能融入我们生活所带来的新问题。 只有更多的理解和更少的恐惧,我们才能授权自己在人工智能时代前进。

本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流,内容版权归原作者所有,如涉作品、版权和其他问题请给「我们」留言处理。

(0)
大数据精选的头像大数据精选编辑
上一篇 2019-08-11 17:38
下一篇 2019-08-11 19:31

相关文章

关注我们
关注我们
分享本页
返回顶部