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人工智慧產業發展歷程 |
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。
沒有留言:
張貼留言