cookieOptions = {...}; .讀懂人工智慧、機器學習、神經網路和深度學習的關係 - 3S Market「全球智慧科技應用」市場資訊網

3S Market


9月1日9月30日 3S Market 點閱統計

2018年6月11日 星期一

AI vs Machine Learning vs Deep Learning 
| Machine Learning Training with Python | Edureka



最近很長的一段時間,人工智慧的熱度都維持在一定的高度。但是大家在關注或研究人工智慧領域的時候,總是會遇到這樣的幾個關鍵詞:深度學習、機器學習、神經網路。那他們之間到底是什麼樣的關係呢?

先說人工智慧,人工智慧是在1956年一個叫達特茅斯會議上提出的。更準確的說是1956年學者們在會議上,將他們確定為人工智慧,其實關於其具體的一些研究,早就已經開始了。

所以人工智慧,已經是有60多年歷史的一個領域。為什麼最近幾年人工智慧才逐漸進入大眾視野呢?其實,這幾年的人工智慧浪潮已經是人工智慧的第三次熱度高漲,並遠遠超過了之前的熱度。

第一次和第二次浪潮,都消失在歷史的長河裡,他們在那個年代都遇到了自己的問題,比如第一次是因為在完美的完成了一些人工智慧項目後,遇到更複雜的需求時,卻被發現當時的人工智慧技術,並沒有能力將其解決,導致了世界主力研究的國家,中斷了人工智慧的研究經費。

第一次發展因為缺錢而中止了,本質上還是技術遇到了瓶頸。第二次浪潮時候,因為專家系統為很多企業,帶來非常大的作用和效益,人工智慧又準備大力發展的時候,被第四代電腦的強有力發展,擠佔的沒有空間,幾乎絕大多數的資金和人力,都投入到了第四代電腦的發展行列中去。

除了外部因素的影響,人工智慧本身也存在一些問題,在早期最核心的兩個問題就是數據和算力,因為當時其實有非常不錯的擬合算法模型,但是卻被戴上了過擬合的帽子,就是模型維度多,但是卻沒有詳盡和足量數據支持。

其實在1956年後,人工智慧發展的速度非常快,解決了業內很多的問題,讓當時的科學家以為,以當時的發展速度,機器可能在20年左右達到人類的水準。現在看,當時的科學巨頭還是過度樂觀了,直到60年後的今天,我們還是在弱人工智慧領域摸爬滾打。


圖 1人工智產業發展歷


講的有點遠了,回到今天的主題,人工智慧,機器學習,神經網路,深度學習之間的關係。

人工智慧這個概念可能是個大坑,把很多人都弄迷糊了。簡單點解釋,人工智慧就是實現人類可以做的事情,這是目的。其中有很多細節,其中最核心,我們可以理解為人的大腦的部分,就是機器學習。


圖 2人工智慧關係圖

飲鹿網(innov100)產業研究員認為機器學習(machine learning)可以簡單的理解為,實現人工智慧的核心方法。它不是一個單一的方法,而是眾多算法的合集。沒錯,人工智慧的核心,就是由各種算法作為支撐的。

不過,現在的機器學習更容易理解成,簡單的半人工智慧算法,比如我們在逛某寶的時候,總是會有欄目推薦各種商品,或者你瀏覽了某些商品後,你會發現首頁連默認搜索詞都變成了你瀏覽的商品的關鍵詞,這裡面就融合了基於機器學習的推薦算法,而且在後台還為用戶畫像,更加準確的預測你想要購買的商品。

其實這樣的技術實現背後還是有一定問題的,比如你的隱私,如果你被預測的很準確,那你還有什麼隱私可言,你所有的操作都可能悄悄的出賣了你。

神經網路(NeuralNetwork)簡單說,就是機器學習眾多算法中的一類,設計的時候就是模仿人腦的處理方式,希望其可以按人類大腦的邏輯運行(儘管目前來說對人腦的研究仍不夠透徹)。神經網路已經有很多年的歷史,但現在基本很少聽到了。飲鹿網(innov100)產業研究員認為神經網路可以簡單的分為單層,雙層,以及多層網路。

神經網路在之前有非常多的問題,層數無法深入過多,有太多的參數需要調節,樣本數據量過小等問題。總之,其之前是一門並不被看好的技術。直到2006年,Hinton在《Science》和相關期刊上發表了論文,首次提出了「深度信念網路」的概念。

深度學習(Deep Learning)其實算是神經網路的延伸,從概念被提出,逐漸的在人工智能領域大顯身手。尤其是在2012年,其在圖像辨識領域獲得驚人的成績。

和神經網路一樣,深度學習也是一個算法的集合,只不過這裡的算法,都是基於多層神經網路的新的算法。他是一種新的算法和結構,新的網路結構中最著名的就是CNN,它解決了傳統較深的網路參數太多,很難訓練的問題,使用了「局部感受野」和「權植共享」的概念,大大減少了網路參數的數量。

關鍵是這種結構,確實很符合視覺類任務在人腦上的工作原理。新的方法就多了:新的激活函數:ReLU,新的權重初始化方法(逐層初始化,XAVIER等),新的損失函數,新的防止過擬合方法(Dropout, BN等)。這些方面主要都是為瞭解決傳統的多層神經網路的一些不足:梯度消失,過擬合等。

由於其解決了早期人工智慧的一些遺留問題,在大數據和大算力的加持下,使得人工智慧重新進入到大眾的視野。並在視覺辨識,圖像辨識,語音辨識,棋類AI中成為核心技術。

所以現在深度學習就是新的神經網路,其本質仍然是神經網路,但是又區別於舊的神經網路。另外現在基本很少在討論神經網路了。

希望大家看完文章之後,可以理解人工智慧、機器學習、神經網路和深度學習之間的關係了。另外,在此基礎上繼續延伸的話,還有遷移學習和強化學習,這些會在之後的文章繼續探索。


0 意見: