人工智能 (AI) 與機器學(xué)習(xí) (ML)
您可能會聽到人們常常將人工智能 (AI) 與機器學(xué)習(xí) (ML) 互換使用，尤其是在討論大數(shù)據(jù)、預(yù)測分析和其他數(shù)字化轉(zhuǎn)型主題時。這種混用是可以理解的，因為人工智能本就與機器學(xué)習(xí)密切相關(guān)。不過，這兩種前沿技術(shù)在某些方面（包括范圍、應(yīng)用等）還是有所不同的。
如今，人工智能和機器學(xué)習(xí)產(chǎn)品越來越多，企業(yè)可使用它們來處理和分析海量數(shù)據(jù)、做出更明智的決策、實時生成建議和數(shù)據(jù)洞見，并進行準(zhǔn)確的預(yù)測。
那么，機器學(xué)習(xí)與人工智能究竟有何區(qū)別呢？機器學(xué)習(xí)與人工智能之間有何關(guān)聯(lián)？這些術(shù)語對當(dāng)今組織的實踐意義又有何不同呢？
我們將詳細介紹人工智能與機器學(xué)習(xí)，探討這兩個創(chuàng)新概念之間的關(guān)聯(lián)及不同之處。
什么是人工智能？
人工智能是一個廣義的領(lǐng)域，是指利用技術(shù)構(gòu)建出能夠模仿與人類智能相關(guān)的認(rèn)知功能的機器和計算機，例如能夠看到、理解并對口語或書面語言做出反應(yīng)，分析數(shù)據(jù)，提出建議等等。
雖然人工智能本身通常被認(rèn)為是一個系統(tǒng)，但實際上它是系統(tǒng)中實現(xiàn)的一組技術(shù)，為的是使系統(tǒng)能夠推理、學(xué)習(xí)和采取行動來解決復(fù)雜的問題。
什么是機器學(xué)習(xí)？
機器學(xué)習(xí)是人工智能的一個子集，可讓機器或系統(tǒng)自動從經(jīng)驗中學(xué)習(xí)和改進。機器學(xué)習(xí)不是使用顯式編程，而是使用算法來分析大量數(shù)據(jù)、從數(shù)據(jù)洞見中學(xué)習(xí)，然后做出明智的決策。
機器學(xué)習(xí)算法會隨著訓(xùn)練的進行（接觸越來越多的數(shù)據(jù)）不斷改進以提升性能。機器學(xué)習(xí)模型是輸出，即程序通過對訓(xùn)練數(shù)據(jù)運行算法而學(xué)到的內(nèi)容。使用的數(shù)據(jù)越多，獲得的模型就越好。
人工智能和機器學(xué)習(xí)有何關(guān)聯(lián)？
雖然人工智能與機器學(xué)習(xí)并不完全相同，但它們密切相關(guān)。可以按如下方式來簡單地理解人工智能和機器學(xué)習(xí)之間的關(guān)聯(lián)：
- 人工智能是一個更寬泛的概念，可讓機器或系統(tǒng)像人類一樣感知、推理、行動或適應(yīng)
- 機器學(xué)習(xí)是人工智能的一種應(yīng)用，可讓機器從數(shù)據(jù)中提取知識并自主學(xué)習(xí)
要記住機器學(xué)習(xí)與人工智能之間的區(qū)別，一個有用的方法是把它們想象成傘形類別。人工智能是一個泛指的術(shù)語，涵蓋各種具體的方法和算法。機器學(xué)習(xí)屬于這一范疇（傘），當(dāng)然還有一些其他的主要子領(lǐng)域也屬于這一范疇，如深度學(xué)習(xí)、機器人、專家系統(tǒng)和自然語言處理。
人工智能與機器學(xué)習(xí)之間的差異
現(xiàn)在，您已經(jīng)了解了人工智能和機器學(xué)習(xí)有何關(guān)聯(lián)，那么它們之間的主要區(qū)別是什么呢？
雖然人工智能包含了可以模仿人類智能的機器的概念，但機器學(xué)習(xí)則沒有。機器學(xué)習(xí)旨在通過識別模式來教機器如何執(zhí)行特定的任務(wù)并提供準(zhǔn)確的結(jié)果。
假設(shè)您問 Google Nest 設(shè)備“我今天通勤的時間有多長？”，在這種情況下，您需要向機器提問，然后得到一個關(guān)于您開車到辦公室估計需要多長時間的答案。在這里，總體目標(biāo)是讓設(shè)備成功執(zhí)行一項任務(wù)，一項在現(xiàn)實環(huán)境中通常必須由您自己完成的任務(wù)（例如研究您的通勤時間）。
在本示例中，在整個系統(tǒng)中使用機器學(xué)習(xí)的目標(biāo)不是使其能夠執(zhí)行某項任務(wù)。例如，您可以訓(xùn)練算法來分析實時交通和路況數(shù)據(jù)，以預(yù)測交通流量和密度。但是，范圍僅限于識別模式、預(yù)測的準(zhǔn)確性以及從數(shù)據(jù)中學(xué)習(xí)以最大限度地提高特定任務(wù)的性能。
人工智能
- 人工智能可讓機器模擬人類智慧來解決問題
- 目標(biāo)是開發(fā)可執(zhí)行復(fù)雜任務(wù)的智能系統(tǒng)
- 我們構(gòu)建的系統(tǒng)可以像人類一樣解決復(fù)雜的任務(wù)
- 人工智能的應(yīng)用非常廣泛
- 人工智能可在系統(tǒng)中使用技術(shù)來模擬人類的決策過程
- 人工智能可處理所有類型的數(shù)據(jù)：結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)
- 人工智能系統(tǒng)使用邏輯和決策樹來學(xué)習(xí)、推理和自我更正
機器學(xué)習(xí)
- 機器學(xué)習(xí)可讓機器根據(jù)過往數(shù)據(jù)自主學(xué)習(xí)
- 目標(biāo)是構(gòu)建可以從數(shù)據(jù)中學(xué)習(xí)的機器，以提高輸出的準(zhǔn)確性
- 我們使用數(shù)據(jù)訓(xùn)練機器，以執(zhí)行特定的任務(wù)并提供準(zhǔn)確的結(jié)果
- 機器學(xué)習(xí)的應(yīng)用范圍有限
- 機器學(xué)習(xí)使用自學(xué)習(xí)算法生成預(yù)測模型
- 機器學(xué)習(xí)只能使用結(jié)構(gòu)化數(shù)據(jù)和半結(jié)構(gòu)化數(shù)據(jù)
- 機器學(xué)習(xí)系統(tǒng)依靠統(tǒng)計模型進行學(xué)習(xí)，并且可以在有新數(shù)據(jù)提供時自我更正
將人工智能和機器學(xué)習(xí)結(jié)合使用的優(yōu)勢
人工智能和機器學(xué)習(xí)為各種形式和規(guī)模的組織帶來了巨大的優(yōu)勢，并且新的可能性還在不斷出現(xiàn)。特別是，隨著數(shù)據(jù)量的增長和復(fù)雜程度的增加，自動化的智能系統(tǒng)在幫助公司自動執(zhí)行任務(wù)、發(fā)掘價值并生成富有實用價值的分析洞見以取得更好的結(jié)果方面變得至關(guān)重要。
以下是將人工智能和機器學(xué)習(xí)結(jié)合使用的一些業(yè)務(wù)優(yōu)勢：
- 數(shù)據(jù)范圍更廣，分析和激活更廣泛的非結(jié)構(gòu)化和結(jié)構(gòu)化數(shù)據(jù)源。
- 決策過程更快，提高數(shù)據(jù)完整性、加快數(shù)據(jù)處理速度、減少人為錯誤，從而更快做出更明智的決策。
- 效率，提高運營效率并降低費用。
- 分析集成，將預(yù)測分析和數(shù)據(jù)洞見整合到業(yè)務(wù)報告和應(yīng)用中，為員工提供助力。
人工智能和機器學(xué)習(xí)的應(yīng)用
人工智能和機器學(xué)習(xí)可以應(yīng)用在許多方面，例如可以幫助組織自動執(zhí)行重復(fù)性或手動的流程，做出明智的決策。
各行各業(yè)的公司都在以各種方式使用人工智能和機器學(xué)習(xí)技術(shù)，以轉(zhuǎn)變其工作方式和業(yè)務(wù)方式。通過將人工智能和機器學(xué)習(xí)功能整合到策略和系統(tǒng)中，組織可重新思考如何使用數(shù)據(jù)和可用資源、提高生產(chǎn)力和效率、通過預(yù)測分析增強數(shù)據(jù)驅(qū)動型決策，并改善客戶和員工體驗。
課程目錄
00-課程介紹
01-課程簡介_1 （背景與意義）
01-課程簡介_2 （挑戰(zhàn)和機遇）
01-課程簡介_3 （如何實現(xiàn)智能）
01-課程簡介_4 （模式與識別）
01-課程簡介_5 （特征表達）
01-課程簡介_6 （神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)）
01-課程簡介_7 （教材與作業(yè)）
02-Python_1 (install)
02-Python_2 (basics)
02-Python_3 (print)
02-Python_4 (list)
02-Python_5 (tuple)
02-Python_6 (string)
02-Python_7 (dict)
02-Python_8 (control)
02-Python_9 (function)
02-Python_10 (class)
03-Numpy_1 (Basic)
03-Numpy_2 (FileIO_Index_Slicing)
03-Numpy_3 (Functions)
03-Numpy_4 (Reshape)
03-Matplotlib (基本功能)
04-kNN_1 (原理)
04-kNN_2 (算法)
04-kNN_3 (程序?qū)崿F(xiàn))
04-kNN_4 (類的實現(xiàn))
05-kMeans_1（Theory）
05-kMeans_2（Program）
05-kMeans_3（Sklearn實現(xiàn)）
05-kMeans_4（Evaluation）
05-kMeans_5 (圖像壓縮）
05-kMeans_6（其他聚類方法）
06_LeastSquares_1 (Theory)
06_LeastSquares_2 (Iterative Solve)
06_LeastSquares_3 (SGD)
06_LogisticRegression_1 (Theory)
06_LogisticRegression_2 (Program)
07_Perceptron_1 (感知機的原理)
07_Perceptron_2 (感知機的算法與實現(xiàn))
07_MLP_1 (多層神經(jīng)網(wǎng)絡(luò))
07_MLP_2 (神經(jīng)網(wǎng)絡(luò)的正向計算)
07_MLP_3 (反向傳播的原理)
07_MLP_4 (多層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法與實現(xiàn))
08-PyTorch_1 (PyTorch基礎(chǔ))
08-PyTorch_2 (自動求導(dǎo))
08-PyTorch_3 (線性模型的PyTorch實現(xiàn))
08-PyTorch_4 (邏輯回歸的PyTorch實現(xiàn))
08-PyTorch_5 (神經(jīng)網(wǎng)絡(luò)的PyTorch實現(xiàn))
08-PyTorch_6 (PyTorch的兩類實現(xiàn)方式)
08-PyTorch_7 (深層神經(jīng)網(wǎng)絡(luò))
08-PyTorch_8 (網(wǎng)絡(luò)參數(shù)初始化)
09-卷積神經(jīng)網(wǎng)絡(luò)_1 (深度學(xué)習(xí)簡介)
09-卷積神經(jīng)網(wǎng)絡(luò)_2 (淺層機器學(xué)習(xí)面臨的問題)
09-卷積神經(jīng)網(wǎng)絡(luò)_3 (卷積神經(jīng)網(wǎng)絡(luò)原理)
09-卷積神經(jīng)網(wǎng)絡(luò)_4 (卷積與池化)
09-卷積神經(jīng)網(wǎng)絡(luò)_5 (VGG網(wǎng)絡(luò))
09-卷積神經(jīng)網(wǎng)絡(luò)_6 (GoogLeNet網(wǎng)絡(luò))
09-卷積神經(jīng)網(wǎng)絡(luò)_7 (批歸一化)
09-卷積神經(jīng)網(wǎng)絡(luò)_8 (學(xué)習(xí)速率衰減)
09-卷積神經(jīng)網(wǎng)絡(luò)_9 (網(wǎng)絡(luò)正則化與數(shù)據(jù)增強)
