上篇文章有關於人工智能的深度學習,那麼人工智能,機器學習和深度學習究竟有什麼關係呢?
首先技術實現的是人類智能的一些具體的局部。但它們是如何實現的?這種智能是從何而來?然後帶我們來到同心圓的里面一層,機器學習。
那麼機器學習直接糾正早期的人工智能領域,傳統算法包括決策樹學習,推導邏輯規劃,聚類,強化學習和貝葉斯網絡等等。這些,我們還沒有實現強人工智能,早期機器學習方法甚至都無法實現弱人工智能。
人工神經網絡(Artificial Neural Networks)是早期機器學習中的一個重要的算法,歷經幾十年風風雨雨。神經網絡的原理是受我們大腦的生理結構-相互交叉相連的神經元啟發。大腦中一個神經元可以連接一定距離內的任意神經元不同,人工神經網絡具有離散的層,連接和數據傳播的方向。通過把這些神經網絡從基礎上顯著地擴大了。增加更多的層這些增加的層數和神經元,就可以理解為深度(deep)就是說神經網絡中大量的層,這樣理解也就完全理解了深度學習(deep learning)。
例如,經過深度學習訓練的圖像識別,在一些場景中甚至可以比人做得更好:從識別貓,到辨別血液中癌症的早期粒,到識別核磁共振成像中的腫瘤。Google的AlphaGo先是學會瞭如何下圍棋,然後與它自己的下棋訓練。它訓練自己的神經網絡的方法,就是不斷地與自己下棋,反复地下,永不停歇。
深度學習在搜索技術,數據挖掘,機器學習,機器翻譯,自然語言處理,多媒體學習,語音,推薦和個性化技術,以及其他相關領域都獲得了很多成果。深度學習使機器模仿視聽和思考等人類的活動,解決了很多複雜的模式識別難題,而人工智能相關技術取得了很大的進步。
深度學習,它是在一定的學習量的積累基礎之上的質的飛越,就是學習能力的質變和新實現。深度學習的在於在於大數據技術的成熟和支撐。同時,深度學習是一種經驗的連接和運用。它是人類的經驗和智慧在機器中的再生和活化。
深度學習壓縮機器學習能夠實現眾多的應用,並擴展了人工智能的領域範圍。深度學習塌拉拉朽般地實現了各種任務,並似乎所有的機器輔助功能都可能。無人駕駛汽車,預防性醫療保健,甚至是更好的電影推薦,都近在眼前,或者即將實現。