首頁熱門文章
理解ai人工智能、機器學習和深度學習
發布時間：2018-08-04 分類：交通百科
正如神經學家約瑟夫·勒杜克斯(JosephLeDoux)博士在“情緒化大腦”(1996)一書中所說，人腦是“最復雜的機器，是可以想象的，也是不可想象的。”這并不奇怪，因為大腦是由超過1000億個神經元和大約1萬億個神經元連接而成的。
也許正是這個無限的可能性世界激發了ai人工智能領域的靈感，人工智能是計算機科學中關注模仿人類智能行為的機器的一部分。自從1956年達特茅斯會議上少數科學家首次提出這個術語以來，人工智能已經取得了一些劃時代的成就，比如第一個自主學習程序和第一個工業機器人。這些進展是通過研究人類大腦作出決定的方式，并根據研究結果開發智能軟件和系統而取得的。
在稱為AI的總括術語下有許多子集。一些子集，如機器學習和深度學習，比其他子集更接近于人腦的實際復雜性。正如您將在下面看到的，這兩個子集都側重于機器的學習能力，但具有不同程度的獨立性。
機器學習
機器學習是更接近人類認知的一步，它為計算機提供了無需明確編程就能學習的能力。為了做到這一點，計算機被賦予了一個客觀和性能的衡量標準，并且它使用數據和算法來訓練自己如何越來越接近期望的結果，直到它成功為止。
雖然這是令人印象深刻的，但是人類的大腦所做的遠不止線性思考。它既考慮到經驗和背景，又不斷地適應。對于這種復雜的非線性推理，通常采用一種稱為“深度學習”的機器學習技術。機器學習模型通過輸入更多數據進行自我學習，而深度學習模型則通過其計算“大腦”進行獨立學習。
深度學習
深層學習的“大腦”更能模仿人腦，因為它的人工神經網絡實際上是受到生物神經網絡本身的啟發。傳統的機器學習使用兩層或三層的淺網絡，而深度學習使用三層以上的“深層”神經網絡結構，這些復雜的神經網絡更能對大量高維數據集之間的復雜聯系進行分類.。
當數據通過一層節點傳遞到另一層節點時，每一層都根據前一層的輸出對一組特定的特性進行訓練。神經網絡越深入，處理的數據就越復雜。這一過程通常被稱為“特征層次”，最好的例子是圖像識別等工具。
最重要的是，隨著時間的推移，系統獲得了更多的經驗，它學會了如何根據收到的新數據增加正確分類的概率。我們看到這一趨勢在塑造我們日常生活的各個行業中無縫地滲透著，大多數時候，我們都沒有注意到這一點。像易趣和亞馬遜這樣的電子商務網站記錄了消費者的整個旅程，因此我們每次訪問都會得到更多吸引人的體驗。醫療機構現在使用深度學習框架結合以前的研究數據來發現疾病的早期跡象。任何地方的機場或安全停車場的安全攝像頭都有能力在發生可疑活動時發現和跟蹤個人，這一切都歸功于他們的深刻學習模式。
雖然所有這些進步讓我們敬畏，但很難相信我們的大腦仍然比任何人工神經網絡更先進和復雜(到目前為止)，這并不意味著人工智能不會隨著時間的推移而繼續朝著這個方向發展。隨著每一個突破，更多的機會將出現，超出我們最瘋狂的想象。
