學習筆記：人工智慧、機器學習和深度學習什麼關係

• 2020 年 2 月 17 日
• 筆記

提到人工智慧，很多工程師就會想到機器學習、神經網路或者深度學習。這幾個概念有一定的區別，也有一定的關係。

人工智慧（Artificial Intelligence），簡單地說，就是希望電腦能夠像人類一樣完成更多智慧的工作，比如汽車自動駕駛。畢竟，一些人類通過直覺可以很快解決的問題，目前卻很難通過電腦解決。這些問題包括自然語言理解、影像識別、語音識別等[1]，而它們就是人工智慧需要解決的問題。可見，人工智慧是目的。

機器學習（Machine Learning），這裡引用卡內基梅隆大學（Carnegie Mellon University）的Tom Michael Mitchell教授在1997年出版的書籍Machine Learning中的定義：「如果一個程式可以在任務T上，隨著經驗E的增加，效果P也可以隨之增加，則稱這個程式可以從經驗中學習」。以垃圾郵件分類問題為例，「一個程式」指的是機器學習演算法，比如邏輯回歸演算法；「任務T」是指區分垃圾郵件的任務；「經驗E」為已經區分過是否為垃圾郵件的歷史郵件，在監督式機器學習問題中，這也被稱之為訓練數據；「效果P」為機器學習演算法在區分是否為垃圾郵件任務上的正確率。同時，這裡的「程式」和傳統的程式有著很大的區別。傳統的程式，根據給定規則處理數據，從而獲得期望結果；這裡的「程式」則是根據給定數據以及目標結果獲得兩者之間的關係規則，進而，可將學習得到的規則應用於新的數據中。

深度學習（Deep Learning）是機器學習的一個分支，它除了可以學習特徵和任務之間的關聯外，還能自動從數據中提取更加複雜的特徵，學習更加複雜的特徵表達。這裡引用維基百科對深度學習的精確定義「一類通過多層非線性變化對高複雜性數據建模演算法的合集」。因為深層神經網路是實現「多層非線性變換」最常用的一種方法，所以在實踐中基本上可以認為深度學習就是深層神經網路的代名詞。從維基百科給出的定義可以看出，深度學習有兩個非常重要的特徵：多層和非線性。

所以，人工智慧是追求目標，機器學習是實現手段，神經網路、深度學習都只是其中一種方法。

參考文獻

[1] TensorFlow實戰Google深度學習框架（第2版），鄭澤宇，梁博文，顧思宇著

文 | Lauren 圖 | Lauren

Copyright @ Lauren的FPGA