一 概念及定义
通俗来说，人工智能（AI）就是让计算机像人类一样思考、学习和做出决策。通过利用各种技术（如机器学习、深度学习、专家系统等），人工智能系统可以处理和分析大量数据，自主地学习和优化算法，从而完成各种复杂的任务。人工智能的应用非常广泛，包括但不限于语音识别、图像识别、自然语言处理、智能推荐、智能客服等。
具体的，从技术层面来看（如下图），现在所说的人工智能技术基本上就是机器学习（含深度学习）方面的技术。机器学习、深度学习是人工智能的重要组成。

机器学习（ML）是让计算机通过算法自动从数据中学习规律和模式，机器学习常见的任务有分类任务（如通过逻辑回归模型 判断邮件是否为垃圾邮件类）、回归预测任务（线性回归模型预测股价）等等。
深度学习（DL）是机器学习的一个子方向，是当下的热门，它实现的功能和机器学习差不多，区别在于深度学习是通过搭建深层的神经网络模型 以处理任务，主要任务有如深度神经网络模型回归预测股价 、 CNN做图像分类的任务，以及最近特别火爆的大模型内容生成。
- 人工智能（AI）：目标是“智能”
定义：让机器完成通常需要人类智能才能胜任的任务。
根据AI的能力范围和智能化程度，可以将人工智能分为ANI、AGI和ASI三个等级。
ANI（弱人工智能）主要被编程以执行单一任务，它通常只能针对特定领域或任务展现出类似人类智能的能力。例如，手机地图导航、网购产品推荐等都是ANI的典型应用。
AGI（通用人工智能）则是在不特定编码知识与应用区域的情况下，应对多种甚至泛化问题的人工智能技术。它拥有推理、计划、解决问题、抽象思考、快速学习和从经验中学习的能力。AGI更像是无所不能的计算机，能够像人类一样应对多种任务和环境。
ASI（超人工智能）相较AGI，不仅要求具备人类某些能力，还要能够独立思考并解决问题。ASI不仅在智能化程度上超越了AGI，还在应用范围上有所扩展，能够应对更加复杂和多样化的任务。
人工智能包括自然语言处理（NLP）、计算机视觉（CV）、机器学习、深度学习、数据挖掘、机器人技术等分支。这些分支在处理不同类型的数据和任务时各有优势。
例如，自然语言处理（NLP）主要关注于自然语言的理解和生成，计算机视觉（CV）则关注于图像和视频的识别和理解，机器学习和深度学习则通过训练数据来让计算机自主地进行决策和预测，数据挖掘则从大量数据中挖掘出有用的信息，机器人技术则利用AI技术来构建能够执行各种任务的自动化系统。
实现方式不止一种：
基于规则的系统（早期AI）：程序员手动编写“如果…就…”的逻辑。例如：国际象棋程序通过预设策略下棋。
机器学习（现代主流）：让机器从大量例子中自己总结规律。
进化算法、专家系统、模糊逻辑等：其他非主流但有效的AI方法。
📌 关键点：AI 是目标，不是技术。就像“飞行”是目标，而飞机、火箭、热气球是不同实现方式。
- 机器学习（ML）：让机器“从经验中学习”
核心思想：
不直接告诉机器怎么做，而是给它一堆输入-输出示例（比如1000张猫狗照片及其标签），让它自动找出映射规律。
常用算法：线性回归、决策树、支持向量机（SVM）、K均值聚类等。
📌 关键点：ML 的本质是函数逼近——找到一个函数 f，使得 f(输入) ≈ 输出。
- 深度学习（DL）：用“深度神经网络”自动提取特征
传统机器学习往往需要人工设计特征（比如“猫有尖耳朵、胡须”），而深度学习能自动从原始数据中逐层提取特征。
核心技术：深度神经网络（DNN），尤其是：
卷积神经网络（CNN）：擅长处理图像
循环神经网络（RNN）/Transformer：擅长处理文本和序列
生成对抗网络（GAN）：用于生成新内容（如AI绘画）
为什么叫“深度”？
因为网络包含多个隐藏层（有时上百层），每一层都对数据进行一次抽象。例如：
第1层识别边缘
第2层组合成纹理
第3层识别眼睛、鼻子
最后层判断“这是一张人脸”
📌 关键点：DL 是 ML 的“自动化升级版”——连特征工程都省了，但需要海量数据和强大算力。
二 AI和ML 区别
机器学习（ML）是人工智能（AI）的一个特定分支。与 AI 相比，机器学习的范围和重点有限。AI 还包括一些机器学习范围之外的策略和技术。
以下是两者之间的一些关键区别。
目标
任何 AI 系统的目标都是让机器高效地完成复杂的人类任务。此类任务可能涉及学习、解决问题和模式识别。
另一方面，机器学习的目标是让机器分析大量数据。机器将使用统计模型来识别数据中的模式并生成结果。结果具有相关的正确概率或可信度。
方法
AI 领域包括用于解决各种问题的各种方法。这些方法包括遗传算法、神经网络、深度学习、搜索算法、基于规则的系统和机器学习本身。
在机器学习中，方法分为两大类：有监督学习和无监督学习。有监督机器学习算法使用标有 input 和 output 的数据值来解决问题。无监督学习更具探索性，它试图在未标记的数据中发现隐藏的模式。
实施
构建机器学习解决方案的过程通常涉及两项任务：
选择并准备训练数据集
选择先前存在的机器学习策略或模型，例如线性回归或决策树
数据科学家选择重要的数据特征并将其输入到模型中进行训练。他们通过更新的数据和错误检查来不断完善数据集。数据的质量和多样性提高了机器学习模型的准确性。
构建 AI 产品通常是一个更为复杂的过程，因此许多人选择预先构建的 AI 解决方案来实现他们的目标。这些 AI 解决方案通常是经过多年研究后开发的，开发人员可以通过 API 将其与产品和服务集成。
要求
机器学习解决方案需要使用包含数百个数据点的数据集进行训练，还需要足够的计算能力才能运行。根据您的应用程序和用例，单个服务器实例或小型服务器集群可能就足够了。
其他智能系统可能有不同的基础设施要求，这取决于您想要完成的任务和所使用的计算分析方法。高计算用例需要数千台机器协同工作才能实现复杂的目标。
但是，请务必注意，预先构建的 AI 和机器学习函数都可用。您可以通过 API 将它们集成到您的应用程序中，而无需额外资源。
三 ML和DL 区别
机器学习包括传统的机器学习与深度学习
接下来我们具体介绍下机器学习（传统机器学习）与深度学习的区别及联系！
学习方法
机器学习：基于数据和算法，通过训练数据来调整模型参数，从而实现预测和分类等功能。常见的机器学习算法 包括线性回归、决策树、支持向量机等。
深度学习：使用神经网络模型，通过反向传播算法和梯度下降优化技术来调整网络权重和参数。常见的深度学习模型 包括卷积神经网络（CNN）、循环神经网络（RNN）、Transformer等。
数据需求
机器学习：需要足够的数据来训练模型，但并不一定需要全部数据。可以通过特征选择、降维等技术来处理大规模数据集 。
深度学习：需要大量的数据进行训练，尤其是对于复杂的任务和模型。通常需要使用无监督学习进行预训练，以减少对大规模数据集的需求。
模型的复杂性
机器学习：模型通常较为简单，主要是线性模型和统计模型等。模型的复杂度取决于所选择的算法和特征工程。
深度学习：模型通常非常复杂，具有大量的神经元和层数。通过逐层传递信息，深度学习模型能够自动提取和抽象出有用的特征。
优缺点
机器学习：优点在于其预测准确度高，适用于各种类型的数据和任务；缺点是需要足够的数据和特征工程，对于复杂任务的建模能力有限。
深度学习：优点在于其强大的表示能力和泛化能力，能够处理复杂的非线性问题；缺点是计算量大、训练时间长，对于大规模数据集的需求较高。
应用领域
机器学习：应用领域包括推荐系统、数据挖掘等。例如，使用支持向量机进行文本分类或使用决策树进行预测。
深度学习：应用领域主要为图像识别、语音识别、自然语言处理等。例如，使用卷积神经网络进行图像分类或使用循环神经网络进行文本生成。
两者区别（总结）
模型层面：
机器学习是基于传统模型（统计学习模型、KNN等等）；
深度学习则使用神经网络模型进行学习和预测。
应用方面：
机器学习适用于各种类型的数据和任务；
深度学习则更适用于处理复杂的非线性问题。
复杂度：
深度学习的模型通常比机器学习模型更加复杂，需要更多的计算资源和训练时间。
可解释性：
机器学习：模型通常较为简单，因此具有一定的可解释性。例如，决策树和线性回归模型可以通过规则和系数来解释。
深度学习：由于模型的复杂性和黑箱性质，通常难以解释。这使得深度学习在某些需要解释的场景中受到限制。
鲁棒性：
机器学习：一些传统的机器学习算法可能对噪声和异常值敏感。
深度学习：通过强大的表示能力和鲁棒的网络结构，大数据加持的深度学习模型通常具有较好的鲁棒性，能够更好地处理噪声和异常值。
数据标注需求：
机器学习：许多传统的有监督机器学习算法需要一些标注数据，主要视模型复杂度具体来看，一些简单模型样本需求并不高，几百个也可以支持。
深度学习：深度学习模型通常需要大量的标注数据，尤其是对于复杂的任务。然而，深度学习无监督学习和其他技术也可以减少对大量标注数据的需求。
部分内容来源于：https://blog.csdn.net/python122_/article/details/138791308
评论 (0)