人工智能与机器学习有哪些不同

作者: RickyHo 2017-07-21 12:52:32

人工智能与机器学习有哪些不同

人工智能早已不是一个新名词,它的发展历史已经有几十年。从80年代早期开始,当时计算机科学家设计出可以学习和模仿人类行为的算法。在学习方面,最重要的算法是神经网络,但由于模型过于强大,没有足够的数据支持,导致不是很成功。然而,在一些更具体的任务中,使用数据来适应函数的想法获得了巨大的成功,这也构成了机器学习的基础。在模仿方面,人工智能在图像识别、语音识别和自然语言处理方面有着广泛的应用。专家们花费了大量时间去创建边缘计算,彩色型材,N-gram语言模型,语法树等,不料所获成绩平平。

传统的机器学习

机器学习(ML)技术在预测中发挥了重要作用,机器学习已经经历了多代,有一套完备的模型结构,如:

  • 线性回归
  • Logistic回归
  • 决策树
  • 支持向量机
  • 贝叶斯模型
  • 正则化模型
  • 集成模型
  • 神经网络

每一个预测模型都基于一定的算法结构,参数可进行调整。训练预测模型涉及以下步骤:

1.选择模型结构(例如,逻辑回归、随机森林等)。

2.用训练数据(输入和输出)对模型进行反馈。

3.学习算法将输出***模型(即具有特定参数的模型,使训练误差最小化)。

每个模型都有自己的特点,在某些任务中表现很好,在其他方面也却不尽人意。但一般来说,我们可以把它们分为低功耗(简单)模型和大功率(复杂)模型。在不同的模型之间进行选择是一个非常棘手的问题。传统上,使用低功耗/简单模型比使用高功率/复杂模型要好,原因如下:

·在我们拥有大量的处理能力之前,训练高功率模型需要花费很长时间。

·直到我们有一个庞大的数据量,培养高功率模型会导致过拟合问题(由于高功率模型具有丰富的参数,可以适应多种数据的形状,我们可能最终会训练出一个与当前训练数据非常相关的模型,而不是对未来数据进行预测)。

然而,选择低功耗模型存在着所谓的”欠拟合”问题,即模型结构过于简单,无法在较复杂的情况下适应训练数据。(假设下面的数据有一个二次关系:y=5*X的平方;没有方法可以拟合一个线性回归:y=A,B,B,B,无论我们选择什么样的A和B。)

为了减轻”不适合的问题”,数据科学家通常会应用他们的”领域知识”来产生”输入特性”,它与输出有更直接的关系。(例如,返回到二次关系y=5*X的平方),然后通过选取a=5和b=0,拟合线性回归。

机器学习的一个主要障碍是这个特征工程步骤,它要求领域专家在进入培训过程之前识别重要的信号。特征工程步骤非常手工,需要大量的领域专门知识,因此成为当今大多数机器学习任务的主要瓶颈。换句话说,如果我们没有足够的处理能力和足够的数据,那么我们必须使用低功耗/简单的模型,这需要我们花大量的时间和精力来创建适当的输入特性。这是大多数数据科学家花时间做的事情。

神经网络的回归

在2000年代早期,随着大容量数据时代大量的细粒度事件数据的收集,随着云计算和大规模并行处理基础设施的进步,机器处理能力得到了极大的提高。我们不再局限于低功耗/简单的模型。例如,当今***的两种主流机器学习模型是随机森林和梯度增强树。然而,尽管它们都非常强大,并提供非线性模型拟合训练数据,数据科学家仍然需要仔细地创建功能,以达到良好的性能。

与此同时,计算机科学家重新使用了许多层的神经网络来完成这些人类模拟任务。这给新出生的DNN(深度神经网络)在图像分类和语音识别的任务提供了一个重大的突破。

DNN的主要区别是,你可以发出原信号,(例如,RGB像素值)直接到DNN没有创造任何特定于域的输入特征。通过多层次的神经元(这就是为什么它被称为”深”的神经网络),能够自动生成相应的功能,通过各层***提供了一个很好的预测。这大大节省了”特征工程”的努力,也是数据科学家遇到的一个主要瓶颈。

DNN也演变成许多不同的网络结构,所以我们美国有线电视新闻网(卷积神经网络),RNN(神经网络)、LSTM(长短期记忆)、GAN(生成对抗网络),迁移学习,注意模型…整个光谱被称为”深度学习”,这是当今全机器学习界关注的焦点。

强化学习

另一个关键的部分是如何模仿一个人(或动物)学习。想象一下感知/行为/奖赏周期的非常自然的动物行为。一个人或动物首先会通过感知他或她处于什么状态来理解环境。基于这一点,他或她会选择一个”动作”把他或她带到另一个”状态”,然后他或她会得到一个”奖励”,如此循环重复。

这种学习方法(称为强化学习)与传统的有监督机器学习的曲线拟合方法有很大的不同。特别是,强化学习的发生非常迅速,因为每一个新的反馈(如执行一个动作和获得一个奖励)立即被发送来影响随后的决定。强化学习已经获得了巨大的成功在自动驾驶汽车以及AlphaGO(下棋机器人)。

强化学习也提供了一个平滑的预测和优化集成,因为它保持一个信念的当前状态和可能的转移概率时采取不同的行动,然后作出决定,哪些行动会带来***的结果。

深度学习+强化学习=人工智能

与经典机器学习技术相比,深度学习提供了一个更强大的预测模型,通常能产生良好的预测。与经典的优化模型相比,强化学习提供了更快的学习机制,并且更适应环境的变化。

人工智能 机器学习 神经网络
上一篇:可怕,40行代码的人脸识别实践 下一篇:基于 boosting 原理训练深层残差神经网络
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

谷歌前董事长:人工智能无法自己开创市场

未来不是由机器支配,未来由拥有无限想象力的人支配。

佚名 ·  14h前
人工智能取得重大突破,意识识别已经实现

这只是一个开始,但是却非常令人兴奋:将大脑活动转化为文本的系统。对于那些无法说话的人,例如患有锁定综合征的人,这将改变生活。

秦枫时尚范 ·  21h前
谷歌的一项新研究,让机器狗小跑起来成为可能

有观点认为,尽管机器人很能干,能代替人类实现很多事情,但自然形成的原始动物还是比他们好很多。之所以这样说是因为,他们很难直接从狗身上学会像狗一样去走路。

郭仁贤 ·  1天前
「新基建」下大火的工业智能,问题依旧很多

「新基建」火了。连同 5G、人工智能、物联网等信息数字化基础设施,都成为国家新的发展方向,不仅在这些新领域内的从业者们明确了目标,传统行业对数字化转型的需求也蓄势待发。

赵子潇 ·  3天前
微软麻将 AI 论文发布,首次公开技术细节

2019 年 8 月 29 日,微软发布了一个名为 Suphx(超级凤凰)的「麻将 AI」,在专业的麻将竞技平台上,Suphx 的实力胜过了顶级人类选手的平均水平。

神经小兮 ·  4天前
特征工程是啥东东?为何需要实现自动化?

如今人工智能(AI)变得越来越普遍和必要。从防止欺诈、实时异常检测到预测客户流失,企业客户每天都在寻找机器学习(ML)的新应用。ML的底层是什么?这项技术如何进行预测?使AI发挥神奇功效的秘诀又是什么?

布加迪 ·  4天前
AI如何改变人类社会的各种业务模式?

在过去的20年中,一些愤世嫉俗的人一直担心,人工智能(AI)的发展会破坏企业结构,导致大量失业和财富不平等加剧。下一个十年将是AI的十年。我们期望看到什么变化?答案是基本流程的转变和减少。

CDA数据分析师 ·  4天前
新冠疫情动态:十大创新,助力对抗COVID-19

从感染快速检测到3D打印解决方案,全球各地的科技企业正携手奋进,希望找到足以战胜新冠病毒大流行的突破性方法。目前有哪些创新成果值得关注?本文将带大家一探究竟。

佚名 ·  4天前
Copyright©2005-2020 51CTO.COM 版权所有 未经许可 请勿转载