機器學習與人工智能

已發表: 2020-08-07

機器學習與人工智能

由於COVID-19大流行，整個世界目前都處於封鎖狀態。學校、學院甚至辦公室都已關閉，以避免病毒進一步傳播。如果您想通過一些新技術提高自己的技能或想了解更多關於它們的信息，這是最好的時機。

假設機器學習 (ML) 和人工智能 (AI) 是您想要探索的技能或技術之一，那麼您來對地方了。萬維網上有許多由在線培訓機構提供的人工智能和機器學習課程。 與大多數人不同，我們將以大多數外行術語介紹 ML 和 AI 的基礎知識。我們還將在摘要部分介紹兩者之間的一些差異。事不宜遲，讓我們開始吧。

人工智能（AI）：

如果您看過任何鋼鐵俠電影或正在使用相當現代的智能手機，您一定聽說過人工智能 (AI)。讓你複習一下，鋼鐵俠電影中的 JARVIS 是一個 AI。此外，我們都知道的 Android 設備中的 Google Assistant 或 Apple 設備中的 Siri 是我們能想到的人工智能的最佳示例。然而，人工智能不僅僅是你的助手。

讓我們通過定義來了解什麼是人工智能：

“計算機科學將人工智能研究定義為“智能代理”的學習：任何適應其環境並採取必要行動以最大限度地提高其成功實現目標的機會的設備。 更詳細的定義將 AI 描述為“系統正確理解來自外部代理的數據、從這些數據中學習並使用這些學習通過靈活適應來實現特定目標和任務的能力”。

通俗地說，人工智能是一種人工創建的系統，它試圖模仿人類的行為和動作，尤其是在解決複雜的問題時，如基於圖像的貓狗分類、人臉識別、藥物研究、音樂創作等。

大多數人工智能和機器學習課程都沒有向我們介紹以下三種學習人工智能係統：

Narrow AI（弱AI） ：目前，所有炒作和AI應用都在這裡。它是一個人工智能係統，可以執行與人類相同或更好的特定任務。它通常無法體驗意識。例如，社交媒體中的人臉檢測器、物體和形狀識別、遊戲中的人工智能等。
通用人工智能（Strong AI） ：它是一種人工智能係統，已經達到了可以驅動任何智能任務的通用狀態，其準確度與人類相同。它能夠體驗意識。
超級人工智能（Theoretical AI） ：是一個全方位超越人類智能的人工智能係統。它甚至可以擊敗最聰明的人類。大多數人都擔心這種類型的人工智能。像埃隆馬斯克這樣的名人認為這些人工智能係統可能會導致人類滅絕。

總結人工智能部分：

這是一個廣泛的計算機科學領域，它使機器能夠擁有類似人類的智能。目前大部分的人工智能工作都是在“狹義人工智能”類別中完成的。我們離創造通用或超級人工智能還很遠。

機器學習 (ML)：

如果您正在關注任何主要科技巨頭的最新公告，您就會聽說過這個術語。就像微軟最近宣布他們在 MS-Word 中改進“查找”功能的工作一樣，即使您在查找文本框中輸入了錯字（“Ctrl + F”），它現在也可以使用 ML 來查找想要的單詞。

我們先來看看定義：

“機器學習是對通過經驗自動調整的計算機算法的詳細研究。 “

它是人工智能的一部分。它使系統能夠自動學習並從其經驗中改進，而無需明確編程。發生這種情況是因為ML 依賴於一組複雜的算法以及帶有標籤的結構化和清理數據（主要是） 。 ML 系統嘗試學習數據特徵（列或屬性或基本數據）之間的關係。數據由您提供給 ML 模型。

基本理解是使用基本特徵及其與標籤的關係來推導任務的解決方案。 通過學習關係，它可以識別模式、數據的固有性質以及它們的值如何影響名稱。 根據從解析數據中了解到的信息，它使用各種算法做出明智的決策。 該模型在訓練中使用的數據上進行訓練，在驗證數據上驗證性能和準確性，並在測試數據上進行測試。

與傳統方法不同，ML 系統不需要為解決方案顯式編碼邏輯。例如，不是程序員對銷售預測的公式/論文進行硬編碼，而是模型本身根據它在訓練階段吸收的模式和關係來學習哲學。機器學習算法分為三種類型：

監督學習：在這裡，訓練數據由標籤組成。 它充當 ML 模型的監督者。因此，命名為監督學習。例如，線性回歸、決策樹等。
無監督學習：在這裡，訓練數據沒有任何標籤。 相反，ML 模型會根據數據自行查找模式並提取有用的特徵。它被稱為無監督學習，因為沒有監督者。它們通常用於聚類——例如，K-Means 聚類、關聯等。
強化學習：大多數人工智能和機器學習課程並沒有過多地介紹這種類型。 關鍵思想是獎勵代理執行正確的操作。此外，每一步不正確都要懲罰他們。遵循試錯法，就像遊戲一樣，例如 Q-Learning。

ML 的典型應用包括 - 銷售預測、預測、欺詐檢測等。

人工智能與機器學習的總結

人工智能

它模仿人類的智力或行為
更廣泛的術語
它仍然是一個研究領域。
它目前在多個部門和產品開發中實施。

機器學習

它是一種使計算機能夠從現有數據中學習的技術。
大多數 ML 應用程序已經在多個部門和產品開發中使用。

因此，在選擇任何AI 和機器學習課程時，請檢查是否涵蓋了所有這些部分。