別把機器學習和人工智慧搞混了！

智力就是理性思考和控制行為的能力。人類有智慧去思考和利用常識來作出決定。人工智慧就是一個構建智慧代理的研究領域，因此未來我們打造出來的人工智慧可以像人一樣思考並理性行事。圖靈測試由艾倫·圖靈（1950）提出，旨在提供令人滿意的智慧操作定義。如果機器人具有以下功能，則可以通過圖靈測試：

1. 通過理解和編寫自然語言與人交往；

2.知識表示（知道如何向使用者呈現知識）；

3.知識推理（知道如何從儲存的知識推斷回答以回答人類）；

4.機器學習推斷模式並適應新的環境。

簡而言之，AI就是研究有助於構建智慧機器的規則和演算法，AI解決的一組問題是NP完全的。

人工智慧是一個廣泛的研究領域，涉及以下五個重要學科：

1. 專家系統；

2.神經網路；

3.模糊系統；

4.機器人；

5.自然語言處理。

機器學習（ML）

機器學習是人工智慧的一個子集，它通過演算法在資料中學習獲得一些人類需要的資料。學習可以把人變成天才，讓他們適應新的環境。同樣，機器的學習能力使其足夠強大以適應新的環境。任何機器學習演算法的目標都是通過學習過程使其目標最大化，以便它能夠處理看不見的資料。

實現機器學習的兩個關鍵學習方法（演算法）是： 

1. 監督學習：外部設計者或標記資料有助於機器學習。

2.無監督學習：機器學習時沒有任何標籤資料或外部設計者。

人工智慧的目標是使機器像人一樣地聰明。

專家系統

專家系統是依靠知識庫來解決問題的系統。知識庫可以用不同的形式表示，如規則、語義網路和決策樹。專家系統由知識庫和推理引擎組成，以從儲存的知識庫中推斷或推理知識。專家系統用於需要人類專家來解決特定問題的地方。

知識庫

基於規則的專家系統以規則的形式捕捉專家在特定領域的知識。這些規則構成知識庫，然後通過推理引擎對事實進行評估，以解決特定問題。規則示例：

如果天空很清晰，陽光燦爛，

那麼雨衣是不需要的。

優點

1. 由於規則以自然語言表示，因此易於捕捉對知識庫的理解。

缺點

1. 專家對同一主題的意見各不相同，這使得難以掌握領域知識。
2. 規則的維護和更新是一個漫長的過程。

而且不同領域記憶體在不同型別的專家系統，如基於規則的專家系統，模糊專家系統和基於框架的專家系統。

推理

專家系統中的推理通過向前或向後連結進行。正向連結是一種資料驅動推理技術，它從知道資料開始，並按照該規則前進。反向連結是一種目標驅動的推理，它從一個目標開始並向後推進以找到支援目標的資料。

神經網路

人工神經網路（ANN）受到人類神經系統的啟發。該系統的工作方式與人類大腦儲存和處理知識的方式完全相同。與人類大腦非常相似的神經網路由一組彼此高度連線的神經元或節點組成。資訊在網路的神經元中被儲存，處理和分析。每個節點或神經元都可以啟用網路中的其他神經元，神經元之間的連結或連線稱為權重。一個網路可以包含n個神經元或節點，這可以使網路變得非常複雜。一個簡單的神經網路由一個輸入和輸出層組成。

以下是不同型別的神經網路：

• 前饋神經網路；
• 卷積神經網路（CNN）；
• 遞迴神經網路；
• 長短期記憶網路（LSTM）。

人工神經網路能夠通過調整權重來學習。正是這種神經網路的能力使它們適合於機器學習。不同型別的學習演算法都可以用於神經網路，其中最突出的是反向傳播演算法。

數十款阿里雲產品限時折扣中，趕緊點選領劵開始雲上實踐吧！

本文由@阿里云云棲社群組織翻譯。

文章原標題《demystifying-ai-and-machine-learning》，

譯者：虎說八道，審校：袁虎。

文章為簡譯，更為詳細的內容，請檢視原文。