人工智能包含了机器学习,而深度学习是机器学习的一个分支。
人工智能
试图将通常由人类完成的智力任务自动化—这就是人工智能。
用硬编码的方式实现人工智能,这称作符号主义人工智能Symbolic AI。其中包含专家系统。
机器学习
机器学习是一种替代符号主义人工智能的新方法。
机器学习是训练出来的,而不是明确地通过程序编写出来的。通常包含以下三个要素:
- 输入数据:比如语音识别的声音文件,图片识别的图片素材
- 预期输出的示例:通过语音整理出的文本,
- 衡量算法效果的方法:计算算法的当前输出和预期输出之间的差距,将衡量结果用于调整算法。这个调整的过程,就是我们所说的学习
总结一下,机器学习就是在预先定义的可能性空间中,利用反馈信号的指引,在输入数据中寻找有用的表示和规则。
深度学习的深度
深度学习的深度,是指一些列连续的表示层。数据模型所包含的层数,被称为该模型的深度。
深度学习的这些表示层,通常通过**神经网络(netural network)**的模型学习得到。
信息穿过连续的过滤器,纯度越来越高,这叫做多级信息蒸馏(information distillation)
深度学习的工作原理
神经网络中,每层对输入数据所做的具体操作,保存在该层的**权重(weight)**中。也就是,每层实现的变化由其权重来参数化(parameterize)。权重有时也被称为该层的参数。
神经网络损失函数(loss function),用来衡量输出与预期结果之间的距离。有时也称为目标函数或代价函数。
其他概念
已取得的进展,比如图形识别和自动驾驶、NLP等。
AI Winter:由于过度炒作而引起的投资减少,进度缓慢。
总体来说,人工智能的未来是光明的
机器学习发展简史
概率建模
早期神经网络
核方法
决策树、随机森林和梯度提升机
深度卷积神经网络
深度学习的前景
硬件的发展;数据集;新的算法;投资热潮