什么是人工智能?人工智能、机器学习、深度学习三者之间有什么关系吗?

IMcoolgeek 秀才 2021-10-08 15:09:33

今天和大家一起探讨三者和三者之间的关系,

1. 人工智能

先从概念上捋一下,人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

人工智能分两种:一种是强人工智能,一种是弱人工智能。

强人工智能观点认为有可能制造出真正能推理和解决问题的智能机器,这样的机器有“自我意识”,跟人类的意识一样或者完全不一样。

弱人工智能相对于强人工智能,只不过看起来像是智能的,但是并不真正拥有智能,也不会有自主意识。目前主流科研集中在弱人工智能上。

2. 机器学习

机器学习(Machine Learning) 是人工智能的核心,属于人工智能的一个分支,是一门多领域交叉学科。其模型包括神经网络、决策树、支持向量机、聚类等。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。

机器学习最基本的做法,是使用算法来解析数据、从中学习,然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同,机器学习是用大量的数据来“训练”,通过各种算法从数据中学习如何完成任务。下图简单做个机器学习与人类思考的对比。

3.深度学习(Deep Learning)则是一种实现机器学习的方法,是由机器学习模型中神经网络模型而发展壮大的一个算法领域。它使用包含复杂结构或由多重非线性变换构成的多个处理层(神经网络)对数据进行高层抽象的算法。 其目的在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如:

1)声音:主要针对语音识别、语音合成、语音模拟等。

2)文本:包含自然语言处理、自然语言生成等。

3)图像:针对计算机视觉领域,包括图像分类、图像目标检测、图像语义分割等。

4)时间序列:主要在数据传感、关联事件分析等细分领域。

5)视频:主要在视频内容理解,智能视频广告等领域。

4.三者的关系与区别:

主流观点中,人工智能、机器学习、深度学习三者的关系如下图所示。人工智能是最早出现的,其次是机器学习,最内部是深度学习,也是当今人工智能大爆炸的核心驱动。

 

5.人工智能涉及的面非常的复杂和广泛,如比较流行的物联网、大数据、云计算、算法、数据发掘等等都与其有关联,而且都不会离开数据(结构化/半结构化/非结构化)而单独存在。同时,涉及到数据,其又会涉及到数据的存储、数据的安全以及数据的使用等等,其实以上所有都是相辅相成,循序渐进的在发展。

举例几个人工智能的应用场景:无人驾驶汽车、人脸识别、机器翻译、声纹识别、智能客服机器人、智能外呼机器人、智能音箱、个性化推荐、医学图像处理、图像搜索等。

欢迎大家和我一起讨论前沿科技知识。欢迎关注,欢迎讨论。

...全文
733 1 打赏 收藏 转发到动态 举报
写回复
用AI写文章
1 条回复
切换为时间正序
请发表友善的回复…
发表回复
CSDN-Ada助手 2023-01-13
  • 打赏
  • 举报
回复
您可以前往 CSDN问答-人工智能 发布问题, 以便更快地解决您的疑问
源码下载地址: https://pan.quark.cn/s/d8066c03341f 在阐述sta中极大似然估计(MLE)方法之前,必须掌握一些统计学领域内关于极大似然估计的基础概念。极大似然估计是一种常用于参数估计的技术手段。其基本理念在于,从多个参数集合中,判定哪一个参数组合下观测到的数据出现的概率最大。在数学表达层面,我们的目标是确定一组参数值,使观测数据出现的概率(即似然函数)达到峰值。因此,探寻最大似然估计的过程,本质上就是寻找似然函数最大值的过程。在统计软件sta中,极大似然估计方法已经相当完善,并且预置了多种执行极大似然估计的程序。然而,当研究人员需要开发全新的估计方法或对既有估计方法进行改良时,就必须亲自编写代码来完成极大似然估计。为了辅助用户执行这一任务,sta配备了便于学习和运用的一种编程语言。以下是对标题“stata中极大似然估计方法”的详细知识阐释:1. 极大似然估计在sta中的实现基础在sta环境下执行极大似然估计,主要需借助以“ml”为前缀的命令。这些命令使用户能够指定模型类型、似然函数以及其他相关设置,并执行模型的最大似然估计过程。在sta的较新版本,例如sta7和sta8,已经集成了加速收敛的特性,主要采用牛顿-拉夫森算法进行估计,并且在sta8中还包含了拟牛顿算法。sta对于收敛性的评估采取较为审慎的态度,旨在确保估计结果的可靠性。2. sta实现MLE的特性sta在执行极大似然估计方面提供了一系列的便捷功能,具体包含如下方面:(1) 高效收敛:借助牛顿-拉夫森算法,多数情况下能够迅速收敛。(2) 收敛宣告的保守策略:这种策略有助于提供更为可靠的估计结果。(3) 操作简化:这些功能允许用户即便拥有有限的微积分知识,也能实现ML...
代码转载自:https://pan.quark.cn/s/a4b39357ea24 ### Haar小波分解与重构MATLAB程序解析#### 一、Haar小波简介在数字信号处理范畴内,小波分析体现为一种时频局部化分析方法,其借助伸缩平移等系列操作对信号实施多尺度细化分析。其中,Haar小波作为最基础的小波基之一,由Alfred Haar于1909年提出。Haar小波具备优良的正交性且计算过程简便,在图像处理、数据压缩、边缘检测等多个领域展现出广泛的应用价值。#### 二、程序结构概述提供的MATLAB代码实现了针对一维信号的Haar小波分解与重构,并通过图形化的方式呈现不同阶数近似后的结果。该程序主要由以下几个部分构成:1. **函数`WaveletApproximate12()`**:作为主函数,负责设定初始条件并绘制原始信号及其各阶次的近似信号。2. **函数`Calfnx()`**:用于计算信号在Haar小波基下的近似量。3. **函数`coffMultiBasis()`**:用于计算信号与Haar小波基函数相乘后的系数。4. **函数`haarBasis()`**:负责生成Haar小波基函数。#### 三、具体实现细节##### 1. 主函数`WaveletApproximate12()`- 环境初始化(关闭所有窗口、清除变量、清屏);- 设定信号定义域为[0,1],并构建包含5000个采样点的一维信号`fx`,该信号由正弦、余弦及阈值函数组合而成;- 绘制原始信号`fx`;- 针对不同的阶数(`nArray=[3 15 63]`),逐一计算近似信号并绘制。##### 2. 近似计算函数`Calfnx()`- 初始化近似信号`fnx`为零向量;- ...

81,703

社区成员

发帖
与我相关
我的任务
社区描述
汇集数据库的爱好者和关注者,大家共同学习、探索、分享数据库前沿知识和技术,像松鼠一样剥开科学的坚果;交流Gauss及其他数据库的使用心得和经验,互助解决问题,共建数据库技术交流圈。
数据库数据仓库 企业社区 北京·海淀区
社区管理员
  • Gauss松鼠会
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告

欢迎大家同时关注Gauss松鼠会专家酷哥。

https://www.zhihu.com/people/ku-ge-78-98

试试用AI创作助手写篇文章吧