讀這一篇，對於AI、機器學習、深度學習你都會有基本的認知

https://www.toutiao.com/a6708951207370555907/

人們現在談論的人工智慧好像還在遙遠的未來，但實際上，它已經在我們的生活中激增。從我們給孩子購買的最新玩具機器人寵物到執行預定手術的外科醫生機器人，再到十分了解我們對音樂、電影、廣告的偏好的推薦系統，我們實際上已經進入了人工智慧，與它同在。

隨著“人工智慧”變得更加智慧和普遍，我們內心會產生一種自然的恐懼。有人會擔心在我們的社會中沒有正確實施人工智慧帶來的反烏托邦，有人會擔心AI會取代我們所有的工作，有人擔心我們對這些技術會過分沉迷，又或者，我們其實可以嘗試理解這一切，回過頭來真正評估我們的工作場所實施AI的成本和收益，從而使得每個人都可以在通過人工智慧真正塑造自己的未來。

什麼是人工智慧？

從歷史上看，Alan Turing的“思考機器”和John McCarthy的“可以自主思考的機器”都是用於AI的定義。隨著人工智慧系統的發展，我們現在將人工智慧稱為“對與人類傳統反應一致的刺激做出反應的機器，具有人類思考、判斷和意圖的能力。”

人工智慧就像這個詞暗示的那樣，智慧是人為的，由人類程式設計來執行人類活動。這種人工智慧被整合到計算機系統中，以建立最終作為“思考機器”單元的AI系統。

• 一般AI Systems可以智慧地解決問題。 （例如：人工智慧股票交易系統）
• 窄AI系統可以很好地執行特定任務。 （例如：AI驅動的製造臂）

根據Darrell M. West的布魯金斯學會報告，這些系統有三個特徵：意向性、智慧和適應性。

意向性 - 人類設計AI系統的目的是根據歷史或實時資料或兩者兼而有之做出決策。這些AI系統包含預訂的響應。

智慧 - 人工智慧系統通常將機器學習、深度學習和資料分析與人工智慧相結合，從而實現智慧決策。這種智慧不是人類的智慧，只能說是對人類智慧的最好的近似。

適應性 - 人工智慧系統具有在編制資訊和做出決策時學習和適應的能力。隨著AI系統從實時資料中學習，AI系統可以改進其決策能力以提高結果。

人工智慧、機器學習、深度學習

人工智慧系統通常採用人工智慧、機器學習和深度學習來建立一個複雜的智慧機器，可以很好地執行給定的人類功能。這三個單元越來越多地成為整個人工智慧系統的智力拼圖的獨立部分。

機器學習 -  它是人工智慧的一種應用，它為AI系統提供了自動學習環境的能力，並應用該學習來做出更好的決策。機器學習使用各種演算法來迭代學習、描述和改進資料，以便預測更好的結果。這些演算法使用統計技術來發現模式，然後對這些模式執行操作。

深度學習 -  它是下一代機器學習。它是機器學習的一個子集，深度學習模型可以使他們自己的預測完全獨立於人類。在許多情況下，過去的機器學習模型仍需要人為干預才能達到最佳結果，深度學習模型使用人工神經網路。該網路的設計靈感來自於人腦的生物神經網路，它分析資料的邏輯結構類似於人類得出結論的方式。

監督機器學習VS非監督機器學習VS強化學習

機器學習的基礎包括從環境中學習，然後將學習應用於決策。為了有效地做到這一點，有一些機器學習演算法使之成為可能。

監督機器學習 -  在監督學習中，目標是提出一種對映函式（f），它將最好地描述輸入資料（x）以結束輸出資料（Y）。我們知道x和Y，但是，我們必須找到能夠達到一定效能水平的對映函式（f）。然後，我們可以將對映函式（f）應用於新資料以獲得類似的結果，訓練資料用於查詢函式f。

Y = f（X）

有兩種型別的監督機器學習問題：分類和迴歸取決於輸出變數的型別。如果輸出變數是分類的，則它是分類問題。（例如：顏色可以是紅色、藍色、紫色等......）如果輸出變數是實數值，那麼它就是迴歸問題。 （例如：高度可以是0英尺到10英尺）

監督機器學習演算法列表包括：

• 線性迴歸
• 支援向量機
• Logistic迴歸
• 樸素貝葉斯
• 線性判別分析
• 決策樹
• K-最近鄰演算法

無監督機器學習 -  與監督機器學習不同，無監督機器學習不假設正確的輸出集合“Y”。沒有輸出。這裡的目標是呈現最有趣的結構，最好地描述輸入資料。

有兩種型別的無監督機器學習問題：聚類和關聯。當您在輸入資料中發現分組時，聚類問題就出現了。（示例：按性別對投票行為進行分組）關聯是指您在輸入資料中發現規則。 （例如：女性選民傾向於為女性候選人投票）

無監督機器學習演算法列表包括：

• 分層聚類
• K均值聚類
• 混合模型
• DBSCAN
• 區域性異常因子
• 神經網路
• 期望最大化演算法
• 主成分分析
• 非負矩陣分解

強化學習 -  與受監督的ML和無監督的ML不同，強化學習的重點是找到最佳路徑，以便在某種情況下最大化獎勵。該決定是按順序進行的。在每個步驟中，演算法都採用總獎勵的路徑，它將具有正面或負面獎勵。總獎勵是沿著路徑的所有正面和負面獎勵的總和。目標是找到最大化獎勵的最佳途徑。 （一個很好的例子是支援AI的股票交易系統。）

• Q學習
• 策略迭代
• State-Action-Reward-State-Action（SARSA）
• 深Q網路
• 深度確定性策略梯度

深度學習是下一代機器學習

深度學習是下一代機器學習演算法，它使用多個層逐步從原始輸入中提取更高階別的特徵（或理解）。例如，在影象識別應用中，深度學習演算法不僅僅識別矩陣畫素，而是識別某個級別的邊緣，另一個級別的鼻子，並且面向另一個級別。由於能夠從上層一直向上理解資料，深度學習演算法可以隨著時間的推移改善其效能，並在任何給定的時刻做出決策。

深度學習演算法的強大之處在於它能夠承擔監督學習任務以及無監督學習任務。它也近似於人類大腦的許多大腦發育理論。

深度學習演算法現在被計算機視覺系統，語音識別系統，自然語言處理系統，音訊識別系統，生物資訊學系統和醫學影象分析系統使用。

進一步瞭解深度學習演算法的基礎知識：

• 卷積神經網路
• 人工神經網路
• 前饋神經網路
• 多元線性迴歸
• 梯度下降
• Logistic迴歸

現實生活中的應用

在現實生活中，問題很少是簡單的。 AI最適合解決某些問題。通常，AI最適合在解決問題時執行某些步驟，而將其餘部分留給人類。例如，AI啟用的聊天機器人可能能夠跟蹤員工的專案，獲得狀態的更新，但是，管理人員仍然需要構建團隊、激勵團隊並引導團隊朝著正確的方向前進。

最適合AI解決的問題：

• 重複性任務 - 按照邏輯步驟得出結論的手動任務。 （例如：包裝貨物，準備在倉庫交貨）
• 資料密集型任務 - 涉及分析大量資料以查詢模式和異常的任務。 （例如：從財務記錄中發現欺詐行為。）
• 超級人類任務 - 需要超人能力的任務，並說明人類感官技能和精細運動技能的侷限性。 （例如：機器人外科醫生可以使用最精確的動作進行非侵入性手術。精細調整的計算機視力可以在人眼無法進行MRI檢查時發現腫瘤。）

隨著人工智慧系統的發展，我們面臨的挑戰是面對人類自身的侷限性。雖然人工智慧為我們的生活帶來了更多的效率，但我們面臨著將人工智慧融入我們生活所帶來的新問題。 只有更多的理解和更少的恐懼，我們才能授權自己在人工智慧時代前進。

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/29829936/viewspace-2649378/，如需轉載，請註明出處，否則將追究法律責任。