人工智能、机器学习、深度学习、神经网络：有什么区别？

这些计算机科学术语经常被交替使用，但每个都有何种独特之处？

前言

技术正在逐分钟渗透到我们的日常生活中。为了跟上消费者期望的速度，公司越来越依赖机器学习算法来简化事务。
人工智能 (AI)， 机器学习 (ML)、 深度学习和神经网络是相关技术，但术语经常被混着使用，这常常导致人们对它们的差异感到困惑。这篇博文将澄清一些含糊之处。
人工智能、机器学习、深度学习和神经网络如何相互关联？

最简单的方式是将它们看作是从大到小的一系列AI系统，每一个都包含下一个。
人工智能是总体系统。机器学习是人工智能的一个子集。深度学习是机器学习的一个子领域，神经网络构成了深度学习算法的基础。神经网络的节点层数或深度将单个神经网络与深度学习算法区分开来，深度学习算法必须超过三层。



IBM
什么是人工智能（AI）？

人工智能是三个术语中最广泛的术语，用于对模仿人类智能和人类认知功能（例如解决问题和学习）的机器进行分类。人工智能利用预测和自动化来优化和解决人类历史上完成的复杂任务，例如面部和语音识别、决策和翻译。
人工智能是这三个术语中最宽泛的，只要是用于模拟人类智能和模拟人类认知功能的机器都可以称作人工智能。AI使用预测和自动化来优化和解决人类历史上通常由人类完成的复杂任务，例如面部和语音识别、决策制定和翻译。
人工智能的类别

人工智能的三个主要类别是：

• 弱人工智能 (ANI)
  
• 通用人工智能（AGI）
  
• 超级人工智能（ASI）
  

ANI被认为是“弱”AI，而其他两种被分类为“强”AI。我们通过其完成特定任务的能力来定义弱AI，例如赢得国际象棋或在一系列照片中识别特定个体。自然语言处理（NLP）和计算机视觉使公司可以自动化任务，并支持如 Siri 和 Alexa 这样的聊天机器人和虚拟助手，都是 ANI 的例子。
更强大的AI形式，如AGI和ASI，更突出地融合了人类行为，例如解释语调和情感。强AI的定义是与人类相比的能力。通用人工智能（AGI）的能力将于人类相当，而超级人工智能（ASI）—也称为超级智能—将超越人类的智能和能力。尽管这两种形式的强AI尚不存在，但该领域的研究正在进行。
将人工智能用于商业

全球约 35% 的企业正在使用AI。生成式AI在大量未标记数据上训练的强大基础模型——可以适应新的用例，它的灵活性和可扩展性更易被人工智能采纳。在早期测试中，IBM发现生成性AI的时间价值比传统AI快70%。
无论你使用基于ML或基础模型的AI应用，AI都可以为你的业务带来竞争优势。将定制的AI模型集成到您的工作流和系统中，以及自动化客户服务、供应链管理和网络安全等功能，都可以帮助企业满足客户的期望，无论是今天还是未来。



IBM
什么是机器学习？

机器学习是人工智能的一个子集，可以进行优化。当=正确配置后，它可以帮助你进行预测，从而最小化仅基于猜测而产生的错误。例如，像亚马逊这样的公司使用机器学习根据客户以前查看和购买的产品为特定客户推荐产品。
经典或“非深度”机器学习依赖于人类干预，以使计算机系统识别模式、学习、执行特定任务并提供准确的结果。人类专家确定特征的层次结构，以理解数据输入之间的差异，通常需要更结构化的数据来学习。
例如，假设我向您展示了一系列不同类型快餐的图像——“披萨”、“汉堡”和“炸玉米饼”。研究这些图像的专家将标记每张图片为特定快餐类型的特征。每种食物中的面包可能是一个显着特征。或者，他们可能会使用“披萨”、“汉堡”或“炸玉米饼”等标签，通过监督学习来简化学习过程。
虽然称为深度机器学习的人工智能子集可以利用标记数据集来告知监督学习中的算法，但它不一定需要标记数据集。它可以摄取原始形式的非结构化数据（例如文本、图像），并且可以自动确定区分“披萨”、“汉堡”和“炸玉米饼”的一组特征。
机器学习的第三类是强化学习，其中计算机通过与其周围环境互动并获得反馈（奖励或惩罚）来学习。在线学习是一种ML类型，其中数据科学家随着新数据的出现更新ML模型



IBM
深度学习与机器学习有何不同

深度学习是机器学习的一个子集。机器学习和深度学习之间的主要区别是每种算法学习的方式以及每种算法使用的数据量。
深度学习自动化了过程中大部分特征提取任务，消除了一些手动人类干预的需求。这使得大数据集的使用成为可能，因此被称为可扩展机器学习。这种能力在我们进一步探索非结构化数据的使用方面特别适用，尤其是考虑到组织估计有超过80%的数据是非结构化的。
观察数据中的模式使得深度学习模型可以适当地对输入进行分组。采用先前的同一例子，我们可以基于在图像中识别出的相似性或差异将披萨、汉堡和塔科的图片分组到各自的类别中。深度学习模型需要更多的数据点以提高准确性，而机器学习模型则依赖于较少的数据，因为它的底层数据结构。企业通常使用深度学习进行更复杂的任务，如虚拟助手或欺诈检测。
什么是神经网络？

神经网络，也称为人工神经网络（ANNs）或模拟神经网络（SNNs），是机器学习的一个子集，并且是深度学习算法的支柱。它们被称为“神经”，因为它们模仿大脑中神经元如何相互发出信号。
神经网络由节点层组成 - 输入层、一个或多个隐藏层和一个输出层。每个节点都是一个人工神经元，连接到下一个，每个都有权重和阈值。当一个节点的输出高于阈值时，该节点被激活，并将其数据发送到网络的下一层。如果低于阈值，则不传递数据。
训练数据教导神经网络并帮助随着时间的推移提高其准确性。一旦学习算法经过微调，它们就会成为强大的计算机科学和人工智能工具，因为它们使我们能够非常快速地对数据进行分类和聚类。使用神经网络，语音和图像识别任务可以在几分钟内完成，而不是手动完成时需要几个小时。谷歌的搜索算法是神经网络的一个著名例子。
深度学习和神经网络有什么区别？

正如上面对神经网络的解释中提到的，但仍要强调，深度学习中的“深度”指的是神经网络中层的深度。超过三层的神经网络，包括输入和输出，可以被认为是深度学习算法。可以用下图来表示：



IBM


大多数深度神经网络都是前馈的，这意味着它们仅沿着从输入到输出的一个方向流动。但是，您也可以通过反向传播来训练模型，这意味着从输出到输入向相反的方向移动。反向传播使我们能够计算和归因与每个神经元相关的误差，从而使我们能够适当地调整和拟合算法。
管理您的人工智能数据

虽然AI在各个领域都可以帮助您简化业务的各个方面并提高客户体验，但实现AI目标可能是具有挑战性的，因为您首先需要确保拥有正确的系统来构建学习算法以管理您的数据。数据管理不仅仅是构建您将用于业务的模型。您需要一个地方来存储您的数据，并在开始构建任何东西之前，需要清理它和控制偏见。
参考链接：

IBM：https://www.ibm.com/blog/ai-vs-machine-learning-vs-deep-learning-vs-neural-networks/
点赞关注 二师兄 talk获取更多资讯，并在 头条 上阅读我的短篇技术文章