第三章:人工智能深度学习教程-人工智能与机器学习与深度学习之间的区别

人工智能主要通过一组算法将人的智力活动整合到机器中。
人工智能一词由两部分组成：'人工制品'指由人类或非自然物质制造的事物；'智能'则指事物具备的理解与思考的能力。
另一种常见的定义是：研究如何让计算机模拟人类认知和推理过程。

人工智能主要体现在三种核心能力：学习、推理以及自我纠错机制的存在，则能够实现最大限度的效能。

机器学习：

机器 learning 属于一门研究领域/方向，在此框架下设计出一系列方法以实现系统的自我进化能力。machine learning 是 artificial intelligence 的重要分支领域. 该方法侧重于开发相关的算法和模型, 从而使得计算机能够基于自身积累的经验逐步优化性能. 整个训练过程中会对大量数据进行分析和建模, 并从中识别潜在模式, 进而依据提供的示例提升未来的决策质量. core aim of machine learning is to enable systems to self-improve through experience without any manual intervention or guidance.

深度学习：

深度学习本质上属于更广泛的机器学习领域中的一个细分领域。其核心基础是模仿人类大脑中成千上万简单神经元的组织结构，并通过这种组织形式实现智能信息处理功能。其主要关注点在于建立高效的特征提取和表示方法。与传统机器学习相比，在处理规模更大、更为复杂的数据时表现更为卓越；此外，在构建模型时不需要人工干预预测过程。

下表列出了人工智能、机器学习和深度学习之间的区别：

人工智能	机器学习	深度学习
AI代表人工智能，基本上是使机器能够通过特定算法模仿人类行为的研究/过程。	ML 代表机器学习，是一项使用统计方法使机器能够随着经验而改进的研究。	DL代表深度学习，是利用神经网络（类似于人脑中存在的神经元）来模仿人脑功能的研究。
AI 是一个更广泛的家族，由 ML 和 DL 作为其组件。	机器学习是人工智能的子集。	深度学习是机器学习的子集。
人工智能是一种通过决策展现智能的计算机算法。	ML 是一种人工智能算法，允许系统从数据中学习。	深度学习是一种机器学习算法，它使用深度（多层）神经网络来分析数据并提供相应的输出。
人工智能涉及搜索树和许多复杂的数学。	如果您对背后涉及的逻辑（数学）有清晰的了解，并且可以可视化 K 均值、支持向量机等复杂功能，那么它就定义了 ML 方面。	如果您清楚其中涉及的数学，但不了解其特征，因此您通过添加更多层将复杂的功能分解为线性/低维特征，那么它就定义了深度学习方面。
目的主要是增加成功的机会，而不是准确性。	目的是提高准确性，不太关心成功率。	当使用大量数据进行训练时，它在准确性方面达到最高排名。
人工智能的三大类别/类型是：狭义人工智能（ANI）、通用人工智能（AGI）和超人工智能（ASI）	机器学习的三大类别/类型是：监督学习、无监督学习和强化学习	深度学习可以被认为是具有大量参数层的神经网络，位于四种基本网络架构之一：无监督预训练网络、卷积神经网络、递归神经网络和递归神经网络
AI的效率基本上是ML和DL分别提供的效率。	效率低于深度学习，因为它无法处理更长的维度或更高的数据量。	比机器学习更强大，因为它可以轻松处理更大的数据集。
人工智能应用程序的示例包括：谷歌的人工智能预测、Uber 和 Lyft 等乘车共享应用程序、使用人工智能自动驾驶仪的商业航班等。	ML 应用程序的示例包括：虚拟个人助理：Siri、Alexa、Google 等、垃圾邮件和恶意软件过滤。	深度学习应用的例子包括：基于情感的新闻聚合、图像分析和字幕生成等。
人工智能是指计算机科学的广泛领域，专注于创建能够执行通常需要人类智能的任务的智能机器，例如推理、感知和决策。	机器学习是人工智能的一个子集，专注于开发可以从数据中学习并随着时间的推移提高其性能的算法，而无需显式编程。	深度学习是机器学习的一个子集，专注于开发能够自动学习并从数据中提取特征的深度神经网络。
人工智能可以进一步细分为各种子领域，例如机器人、自然语言处理、计算机视觉、专家系统等。	机器学习算法可以分为监督学习、无监督学习或强化学习。在监督学习中，算法根据标记数据进行训练，其中所需的输出是已知的。在无监督学习中，算法是在未标记的数据上进行训练的，其中所需的输出是未知的。	深度学习算法的灵感来自于人脑的结构和功能，它们特别适合图像和语音识别等任务。
人工智能系统可以是基于规则、基于知识或数据驱动的。	在强化学习中，算法通过反复试验来学习，以奖励或惩罚的形式接收反馈。	深度学习网络由多层互连的神经元组成，这些神经元以分层方式处理数据，使它们能够学习日益复杂的数据表示。

人工智能、机器学习、深度学习示例：

人工智能（AI）被称为能够开发复杂且通常需要人类智能完成的任务的计算机系统。

人工智能的一些例子包括：

各行各业都有大量人工智能应用的例子。以下是一些常见示例：

语音识别： 语音识别系统基于深度学习算法对图像和语音内容进行识别与分类。这些技术广泛应用于多个领域包括自动驾驶汽车安全监控系统以及医疗影像分析等。其中关键的技术参数如F代表深度学习模型的特征提取能力S代表分类系统的准确率等。

个性化推荐：像亚马逊和Netflix这样的电子商务平台以及流媒体服务提供者均采用先进的人工智能算法来深入挖掘用户的观看历史数据，并以此为基础精准地向用户推送他们可能感兴趣的产物与内容。

预测性维护： 基于人工智能的预测性维护系统利用来自传感器和其他数据源的数据进行分析，并识别潜在的故障倾向；从而有效降低停机时间和维修费用。

医疗诊断： 人工智能医疗诊断系统通过对医学图像和其他患者的各项数据进行深入解析，在精准识别疾病特征的基础上为医生提供科学化的诊疗方案支持。

在自动驾驶技术中：自动驾驶汽车依靠人工智能算法和传感器通过感知环境并进行决策。

像 Siri 和 Alexa 这样的虚拟个人助理（VPA）通过自然语言处理技术来理解并回应用户的请求；它们不仅用于播放音乐、设置提醒以及回答各种问题。

自动驾驶汽车——自动驾驶汽车运用人工智能来解析摄像头和激光雷达等传感器数据，并通过这些数据来进行判断。

金融机构应用人工智能技术来评估交易行为，并识别出预示欺诈行为的异常模式。例如，在这些异常模式中可能包括非典型交易行为（如不寻常的资金流动）或来自外部账户的资金转移等特征。

基于图像识别的人工智能技术—— 在照片分类、安全监控系统以及自主机器人开发等领域被广泛应用于提升效率与准确性。

自然语言处理—— 该系统由机器智能驱动，在对话机器人和机器翻译系统中实现类似人类的理解与生成能力。

预测分析—— 人工智能被广泛应用于医疗领域和商业行业，在深入分析海量数据的基础上，并对未来可能出现的各类事件（如疫情突发或市场波动）提供相应的预测结果。

玩游戏的人工智能—— 人工智能算法已被系统性开发，并基于对游戏数据的深入分析和精准预测未来落子，在国际象棋、围棋以及扑克等智力竞技中达到超凡境界，并表现出色。

机器学习的例子：

机器学习（ML）属于人工智能（AI）领域的一个分支，在运用算法与统计模型的基础上使计算机系统能够基于数据进行自主学习，在时间维度上逐步提升性能水平，并避免依赖人工干预编程逻辑完成特定任务

以下是机器学习的一些示例：

图像识别： 这些系统基于机器学习模型通过分析图像内容自动完成分类任务。这些技术在多个领域得到了广泛应用，包括自动驾驶汽车、安防监控系统以及医疗影像分析。

语音识别：语音识别系统基于机器学习算法来转换语音并辨别所说的单词。这些系统包括Siri和Alexa等虚拟助手以及呼叫中心和其他应用程序。

在自然语言处理 (NLP) 系统中应用机器学习算法以理解和生成人类语言；这些系统被用于开发聊天机器人、虚拟助手以及其他涉及自然语言交互的应用程序。

推荐系统： 推荐系统基于机器学习算法对用户的浏览和购买记录进行解析，并提供个性化的产品和服务建议。这类技术广泛应用于电子商务平台、视频流服务以及各种商业应用中。

情感分析：情感分析系统基于机器学习算法能够将文本或语音的情感归类为积极、消极或中性。这些系统被用来进行社交媒体监控和商业数据分析等应用。

预测性维护： 预测性维护系统通过机器学习算法对来自传感器和其他数据源的数据进行解析和评估，在此基础上准确预判设备可能发生的故障时间点，并采取预防措施以降低停机时间和维护成本。

在电子邮件系统中发挥重要作用的垃圾邮件过滤器依赖于机器学习算法来分析内容及其元数据特征，以便识别并分类为垃圾邮件的相关信息。

推荐系统采用通过机器学习算法实现的方式，在电子商务网站及流媒体服务中应用；基于用户的浏览及购买行为数据进行个性化推荐。

预测性维护体系—— 机器学习技术在制造业领域中应用以识别设备发生故障的时间点，并通过实施主动式维护策略降低设备运行中断的时间成本。

信用风险评估—— 金融机构依赖机器学习算法进行操作，在对贷款申请人的财务状况进行综合考量时会参考其收入水平、职业历程以及信用记录等关键指标来预测其还款能力的可能性。

客户分群—— 运用机器学习技术进行精准营销，在分析客户的属性与行为数据后将其划分为若干类别，并以此制定个性化广告策略与促销方案。

异常交易识别 – 基于机器学习的技术应用于金融领域旨在识别异常交易行为模式。如异常消费行为或来自未知地理位置的交易可能暗示欺诈活动。

语音识别——基于机器学习的技术能够将口语单词转换为文字内容，并通过提供语音控制界面和实现语音指令执行与语音文字识别来支持相关应用。

深度学习的例子：

深度学习属于机器学习的一种，并通过多层人工神经网络完成学习任务并作出决策

以下是深度学习的一些示例：

图像与视频识别： 涉及图像与视频识别技术的系统通常采用深度学习算法来处理视觉数据并完成分类与分析任务。该技术通过深度学习算法对视觉数据进行分类与分析以实现图像与视频的自动识别功能。此类系统被应用于自动驾驶汽车等领域的安全监控以及医疗成像等领域。

生成模型： 生成模型是指基于深度学习算法对现有数据进行处理以创造新的内容。这些系统则应用于图像和视频生成、文本生成以及其他领域。

自动驾驶汽车：不同类型的自动驾驶汽车依靠深度学习算法来分析传感器数据，并据此调整行驶速度、转向方向以及其他相关参数。

图像分类 – 深度学习算法用于识别图像中的物体及其背景，并在电子商务网站中分析商品图片以辅助购买决策。

语音识别技术—— 基于深度学习算法的语音识别系统能够将口语中的单词转换为书面文本，从而支持构建基于语音控制的交互界面以及辅助听写的功能。

自然语言处理—— 深度学习算法用于情感分析、语言翻译和文本生成等任务。

推荐系统——推荐系统采用先进的深度学习算法技术，在分析用户的活动模式和偏好后提供个性化的服务。

欺诈检测的核心在于利用深度学习算法对金融交易进行分析，在金融交易领域中识别异常交易行为特征。这些特征可能表现为如异常消费金额、非本地来源的交易等明显不同于常规行为的模式。

博弈AI研究领域中，先进的深度学习技术已经被用来创造具备超越人类能力的游戏智能系统。例如，在围棋领域中，AlphaGo通过战胜世界冠军展示了这一技术的实际效果。

时间序列预测： 深度学习算法用于预判时间序列数据的后续数值，如股票价格等指标、能源消耗情况以及天气趋势。

AI、ML、DL 的效果：有区别吗？

人工智能领域的工作的本质与机器学习或深度学习工程师存在显著差异。识别不同职业类型时，请参考以下方法以确定哪一个方向最适合您的发展路径。

人工智能工程师做什么的？

担任着设计、开发以及整合人工智能 (AI) 系统与解决方案的专业人才。以下是人工智能工程师的主要职责与工作内容：

构建和研发AI算法：AI工程师将被设计为构建并实现各种AI算法，包括决策树、随机森林和神经网络。

数据分析： 人工智能工程师运用统计学与数学方法对数据进行分析与解释，以便识别可用于训练AI模型的数据模式与关联性。

模型训练和评估： 人工智能工程师基于大数据集构建人工智能模型，并对其实现性能分析与优化算法参数设置以提升预测精度。

部署及持续优化： 人工智能工程师负责将人工智能模型投入运行并在生产环境中持续优化，并定期维护与更新该系统。

与利益相关者合作： 在项目实施过程中，在与数据科学家、软件工程师以及业务领导者的紧密配合下，人工智能工程师致力于深入了解各方需求，并切实满足各方关切。

研究与创新： AI专业人才持续关注人工智能领域的动态发展，并主导推动相关技术与算法的进步。

沟通： 人工智能工程师向利益相关者汇报其项目成果，并涵盖模型性能及其对业务产出的影响。

人工智能工程师还需要具备深厚的相关领域知识（包括数学基础及统计分析能力），以及开发智能算法及解决问题的能力。他们还需要掌握编程语言（如Python和R等工具）。

机器学习工程师做什么的？

称作机器学习工程师的职业，则主要是负责设计、参与开发以及全面负责实施相关领域的各种机器学习（ML）系统与解决方案。例如，在这一职业中所承担的主要职责与任务包括但不限于创建高效的数据分析模型、优化算法性能以及解决复杂的技术挑战等。

机器学习算法的设计与研发： 作为专业的数据科学家或机器学习工程师，在这一领域主要专注于设计与研发各种类型的机器学习算法来解决实际问题。具体而言，在这一过程中涉及的主要工作包括但不限于构建决策树模型（如CART）、训练随机森林模型（如RF）以及训练深度神经网络（如DNN），这些技术手段能够帮助我们对复杂的数据进行分析并提取有价值的信息以应对特定应用场景的需求。

数据分析： 机器学习工程师运用统计与数学方法进行数据解析与解释，并深入挖掘数据中的潜在模式与关联性，以识别可用于训练机器学习模型的关键信息。

模型训练和评估： 机器学习工程师基于大规模数据集开发机器学习系统，在验证阶段测试系统性能，并通过调整优化算法参数实现准确率提升。

部署与维护： 机器学习工程师负责将机器学习模型投放至生产环境中，并定期进行维护与更新操作。

在项目初期阶段进行深入沟通和协作，并结合各角色的专业技能和专长提供专业的技术指导和支持服务；同时强调各成员之间的紧密配合以及对各方关切的关注程度

研究与创新方面：研究与创新方面： 机器学习工程师具备掌握当前机器学习技术前沿的能力，并在新兴的机器学习技术和算法的研发与实践中发挥重要作用

沟通： 作为人工智能专家之一的他/她会将工作内容与关键绩效指标等技术指标的具体表现相结合，并以清晰简洁的方式汇报给相关人员

机器学习工程师具备深厚的计算机科学、数学以及统计学基础，并且能够设计并实现各种机器学习算法及其应用方案。他们还应掌握Python、R等编程语言的基本语法与应用方法，并运用多种机器学习框架和技术工具来构建模型与解决实际问题的经验。

深度学习工程师做什么的？

专业人员中负责构建、实现以及执行深度学习 (DL) 系统与解决方案的设计师。

这些工程师的主要职责与具体任务包括但不限于构建、优化并部署各种类型的深度学习系统与解决方案。

深度学习算法的设计与开发： 深度学习工程师通过架构设计、系统实现和模型构建深度神经网络和其他深度学习算法以解决特定问题。

数据分析： 深度学习工程师运用统计与数学技术对大型数据集进行深入解析，并提取可用于构建深度学习模型的模式与关联。

模型训练和评估： 模型的训练与评估过程是深度学习工程师基于大规模数据集进行训练，并对模型性能进行评估。通过优化算法参数来提升模型准确率。对于每个样本i属于集合I的情况，请确保满足约束条件（略）。对于每个样本i属于集合I的情况，请确保满足约束条件（略）。

部署及维护： 深度学习工程师负责将模型部署至生产环境，并在时间维度上定期进行维护与更新。

在与利益相关者的协作中

研究与创新： 深度学习工程师们密切关注并及时了解最新的发展动态，并负责并引领新的深度学习技术和算法的研发与推广

沟通： 深度学习专家向相关利益方汇报其研究成果，并详细阐述所开发深度学习模型在业务成果实现中的作用。