人工智能, 机器学习。数据挖掘,模式识别, 神经网络之间是什么关系呢?

小D罗


人工智能

人工智能我们希望机器达到的目标,即希望机器 Think like people,Act like people.而人工智能的发展阶段分为三个时代:

1、运算智能:通过暴力计算来穷举所有可能性来体现智能,例如“深蓝打败国际象棋选手”

2、感知智能:在某一特定领域的下的智能,当前正处于的时代、属于窄人工智能,如人脸识别、语音识别等

3、认知智能:即通用人工智能、我们希望机器达到的真正智能状态,目前还很遥远

机器学习

机器学习是达到人工智能目标的方法的统称。

“学习”的标准定义为:任务 T 在经验 E 的基础上,用于衡量 T 的性能的 P 有所提高,简化而言就是让机器基于经验学到某种东西、效果越来越好。

下述图片(图片引自慕课网)解释了人类思考与机器学习的方式,都是基于历史经验进行总结得到知识沉淀,并对未知世界进行认知的过程。

人工智能的核心就是预测,最初期是规则智能(专家系统),而现在的人工智能都是数据智能,把难以精确解决的问题转换为概率问题,得到近似解。

数据挖掘

数据挖掘是从海量信息中进行搜索提取有价值信息的过程,是一个由处理数据、得到信息、挖掘知识等环节组成的工作过程,在这个过程中可能用到机器学习等各种算法,最终的目的是进行智能决策,而这个智能也可以理解为人工智能。比如说通过挖掘历史的销售数据找到商品之间的关联规则,大家熟知的啤酒尿布的故事就是一个典型案例。

模式识别

要想知道什么叫做模式识别,那就要先了解什么叫做模式,通常意义上,模式指用来说明事物结构的一种表达。它是从生产生活经验中经过抽象提炼出来的知识,说直白点就是可以用来表示事物的一些列特征的集合。

模式识别从十九世纪五十年代兴起,在二十世纪七八十年代风靡一时,是信息科学和人工智能的重要组成部分,主要被应用于图像分析与处理、语音识别、计算机辅助诊断、数据挖掘等方面。但是其效果似乎总是差强人意,因为模式识别中的事物特征是由人类设计总结的、主要基于人类在某一方面的领域知识,也就是说模式识别的效果不可能超过人类、有很大的局限性。

神经网络

上面提到模式识别的特征是人类设计的,但实际中各类数据的特征表示不是显而易见的,我们更希望通过机器自身的学习去获得特征,个人觉得神经网络实际上就是这样一种过程,可以将原始输入数据(一个向量)映射到新的向量空间,然后基于新的向量进行分类或其他操作。下图的(X1,X2,X3,......Xn)即原始输入,(O1,O2,......Oj)即通过神经网络得到的输出(可以理解为是表示原始输入的特征)。

之前有人提到神经网络具有强大的线性表达能力,确实如此。但要注意,神经网络不一定是非线性的,线性与否取决于每个神经元的激活函数,如果激活函数是线性的,那么无论经过多少神经元、整个计算过程仍然是线性的,而线性的神经网络表达能力有限、比如说连最简单的“异或”都处理不了。

只有引入了非线性的激活函数,如RELU、sigmoid等,神经网络才获得了强大解释能力。

深度学习

神经网络是直接从输入映射为输出,实际上这个工作也是很困难的,那么就一步一步来,首先先对应到简单的、低级的特征,再把这个特征作为输入通过算法得到新的特征,然后这样一层层的继续,得到高层特征、再映射到输出,这就是所谓的深度学习。

欢迎探讨交流。


糊涂虫不糊涂


人工智能是一种智能控制的说法。机器学习是基于学习的算法的统称。神经网络是机器学习中的一类算法。


晒糊了的仙人掌


人工智能涵盖的范围最大,主要研究机器如何自主感知,认知和行动。其次是机器学习,机器学习属于认知范畴,主要研究的是机器如何通过自身某种行为提升能力,我们称之为学习行为。有很多种方法,有两种不同的路线,一种是像人一样通过小样本差异学习,或者通过自我解释学习;还有一种是利用计算机的计算和存储优势学习,比如knn,支持向量机,神经网络都是这类;第三就是神经网络,刚也提到了,是机器学习中的一种方法;第四提到的模式识别是人工智能感知的范畴,包括特征选择,提取,判定,是一个综合的应用领域;最后说数据挖掘,是研究如何从数据中发现规律,利用数据工具发现数据之间的关联,是数据库时代商业智能常用的工具,也也可理解为大数据分析的前身。