人工智慧、機器學習、深度學習的關係是什麼

機器學習是人工智慧的一個子集，它包括使電腦能夠從資料中找出問題並交付人工智慧應用程式的技術。而深度學習是機器學習的子集，它使電腦能夠解決更複雜的問題。

本教學操作環境：windows7系統、Dell G3電腦。

一、人工智慧

人工智慧(Artificial Intelligence)，英文縮寫為AI。它是研究、發展用於模擬、延伸和擴展人的智慧的理論、方法、技術及應用系統的一門新的技術科學。

人工智慧是電腦科學的一個分支，它企圖了解智慧的實質，並生產出一種新的能以人類智慧相似的方式做出反應的智慧機器，該領域的研究包括語音識別、影像辨識、機器人、自然語言處理、智慧搜尋和專家系統等。

人工智慧可以對人的意識、思考的資訊過程的模擬。人工智慧不是人的智能，但能像人類那樣思考、也有可能超越人的智能。

二、資料探勘

資料探勘(Data Mining)，顧名思義就是從海量資料中「挖掘」隱藏訊息，依照教科書的說法，這裡的資料是「大量的、不完全的、有雜訊的、模糊的、隨機的實際應用資料”，訊息指的是“隱含的、規律性的、人們事先未知的、但又是潛在有用的並且最終可理解的資訊和知識”。在商業環境中，企業希望讓存放在資料庫中的資料能“說話”，並支持決策。所以，資料探勘更偏向應用。

資料探勘通常與電腦科學有關，並透過統計、線上分析處理、情報檢索、機器學習、專家系統(依靠過去的經驗法則)和模式識別等諸多方法來實現上述目標。

三、機器學習

機器學習(Machine Learning)是指用某些演算法指導電腦利用已知資料得出適當的模型，並利用此模型對新的情境給出判斷的過程。

機器學習的想法並不複雜，它只是人類生活中學習過程的模擬。而在這整個過程中，最關鍵的是數據。

任何通過資料訓練的學習演算法的相關研究都屬於機器學習，包括許多已經發展多年的技術，例如線性回歸(Linear Regression)、K均值(K-means，基於原型的目標函數聚類別方法)、決策樹(Decision Trees，運用機率分析的一種圖解法)、隨機森林(Random Forest，運用機率分析的一種圖解法)、PCA(Principal Component Analysis，主成分分析)、SVM(Support Vector Machine，支援向量機)以及ANN(Artificial Neural Networks，人工神經網路)。

四、深度學習

深度學習(Deep Learning)的概念源自於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習透過組合低層特徵形成更抽象的高層表示屬性類別或特徵，以發現資料的分佈式特徵表示。

深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。

五、人工智慧與機器學習、深度學習的關係

嚴格意義上說，人工智慧和機器學習沒有直接關係，只不過目前機器學習的方法被大量的應用於解決人工智慧的問題而已。目前機器學習是人工智慧的一種實現方式，也是最重要的實現方式。

早期的機器學習其實是屬於統計學，而非電腦科學的;而二十世紀九十年代以前的經典人工智慧跟機器學習也沒有關係。所以今天的AI和ML有很大的重疊，但並沒有嚴格的從屬關係。

不過如果僅就電腦系內部來說，ML是屬於AI的。 AI今天已經變成了一個很泛泛的學科了。

深度學習是機器學習現在比較火的一個方向，其本身是神經網路演算法的衍生，在圖像、語音等富媒體的分類和識別上取得了非常好的效果。

所以，如果把人工智慧與機器學習當成兩個學科來看，三者關係如下圖所示：

如果把深度學習當成人工智慧的一個子學科來看，三者關係如下圖所示：

# 六、資料探勘與機器學習的關係

資料探勘主要利用機器學習界提供的技術來分析大量數據，利用資料庫界提供的技術來管理大量數據。

 機器學習是資料探勘的重要方法，但機器學習是另一門學科，並不從屬於資料探勘，二者相輔相成。

 

補充：

來源：http://m.elecfans.com/article/691751.html

機器學習過程使用下列步驟進行定義：

1. 確定相關資料集並準備進行分析。

2. 選擇要使用的演算法類型。

3. 根據所使用的演算法建立分析模型。

4. 立足測試資料集進行模型訓練，並根據需要進行模型修改。

5. 運行模型以產生測試評分。

機器學習與深度學習間的差異

#1. 資料量：

機器學習能夠適應各種數據量，特別是數據量較小的場景。在另一方面，如果資料量迅速增加，那麼深度學習的效果將更為突出。下圖展示了不同資料量下機器學習與深度學習的效能水準。

2. 硬體依賴性：

#與傳統機器學習演算法相反，深度學習演算法在設計上高度依賴高端裝置.深度學習演算法需要執行大量矩陣乘法運算，因此需要充足的硬體資源作為支援。

3. 特徵工程：

特徵工程是將特定領域知識放入指定特徵的過程，旨在減少資料複雜度水平並產生可用於學習演算法的模式。

範例：傳統的機器學習模式專注於特徵工程中所需要找到像素及其他屬性。深度學習演算法則專注於資料的其他高階特徵，因此能夠降低處理每個新問題時特徵提取器的實際工作量。

4. 問題解決方法

傳統機器學習演算法遵循標準程序以解決問題。它將問題拆分成數個部分，並分別解決，而後再將結果結合以獲得所需的答案。深度學習則以集中方式解決問題，而無需進行問題拆分。

5. 執行時間

執行時間是指訓練演算法所需的時間量。深度學習需要大量時間進行訓練，因為其中包含更多參數，因此訓練的時間投入也更為可觀。相對而言，機器學習演算法的執行時間則相對較短。

6. 可解釋性

可解釋性是機器學習與深度學習演算法間的主要差異之一－深度學習演算法往往不具備可解釋性。也因為如此，業界在使用深度學習前總會再三考慮。

機器學習與深度學習的實際應用：

1. #透過指紋實現出勤打卡、人臉辨識或透過掃描車牌識別牌照號碼的電腦視覺技術。
2. 搜尋引擎中的資訊檢索功能，例如文字搜尋與圖像搜尋。
3. 自動電子郵件行銷與特定目標識別。
4. 癌症腫瘤醫學診斷或其他慢性疾病異常狀態識別。
5. 自然語言處理應用程序，例如照片標記。 Facebook就提供此類功能以提升使用者體驗。
6. 線上廣告。

未來發展趨勢：

1. #隨著業界越來越多地使用資料科學與機器學習技術，對各個組織而言，最重要的是將機器學習方案引入其現有業務流程。
2. 深度學習的重要性正逐步超越機器學習。事實已經證明，深度學習是目前最先進且實際效能最出色的技術方案之一。
3. 機器學習與深度學習將在研究與學術領域證明自身蘊藏的巨大能量。

想要查閱更多相關文章，請造訪PHP中文網！ ！

#

以上是人工智慧、機器學習、深度學習的關係是什麼的詳細內容。更多資訊請關注PHP中文網其他相關文章！