人工智能與機器學(xué)習(xí)有哪些不同

人工智能早已不是一個新名詞，它的發(fā)展歷史已經(jīng)有幾十年。從80年代早期開始，當(dāng)時計算機科學(xué)家設(shè)計出可以學(xué)習(xí)和模仿人類行為的算法。在學(xué)習(xí)方面，最重要的算法是神經(jīng)網(wǎng)絡(luò)，但由于模型過于強大，沒有足夠的數(shù)據(jù)支持，導(dǎo)致不是很成功。然而，在一些更具體的任務(wù)中，使用數(shù)據(jù)來適應(yīng)函數(shù)的想法獲得了巨大的成功，這也構(gòu)成了機器學(xué)習(xí)的基礎(chǔ)。在模仿方面，人工智能在圖像識別、語音識別和自然語言處理方面有著廣泛的應(yīng)用。專家們花費了大量時間去創(chuàng)建邊緣計算，彩色型材，N-gram語言模型，語法樹等，不料所獲成績平平。

傳統(tǒng)的機器學(xué)習(xí)
機器學(xué)習(xí)（ML）技術(shù)在預(yù)測中發(fā)揮了重要作用，機器學(xué)習(xí)已經(jīng)經(jīng)歷了多代，有一套完備的模型結(jié)構(gòu)，如：
·線性回歸
·Logistic回歸
·決策樹
·支持向量機
·貝葉斯模型
·正則化模型
·集成模型
·神經(jīng)網(wǎng)絡(luò)
每一個預(yù)測模型都基于一定的算法結(jié)構(gòu)，參數(shù)可進行調(diào)整。訓(xùn)練預(yù)測模型涉及以下步驟：
1.選擇模型結(jié)構(gòu)（例如，邏輯回歸、隨機森林等）。
2.用訓(xùn)練數(shù)據(jù)（輸入和輸出）對模型進行反饋。
3.學(xué)習(xí)算法將輸出最優(yōu)模型（即具有特定參數(shù)的模型，使訓(xùn)練誤差最小化）。
每個模型都有自己的特點，在某些任務(wù)中表現(xiàn)很好，在其他方面也卻不盡人意。但一般來說，我們可以把它們分為低功耗（簡單）模型和大功率（復(fù)雜）模型。在不同的模型之間進行選擇是一個非常棘手的問題。傳統(tǒng)上，使用低功耗/簡單模型比使用高功率/復(fù)雜模型要好，原因如下：
·在我們擁有大量的處理能力之前，訓(xùn)練高功率模型需要花費很長時間。
·直到我們有一個龐大的數(shù)據(jù)量，培養(yǎng)高功率模型會導(dǎo)致過擬合問題（由于高功率模型具有豐富的參數(shù)，可以適應(yīng)多種數(shù)據(jù)的形狀，我們可能最終會訓(xùn)練出一個與當(dāng)前訓(xùn)練數(shù)據(jù)非常相關(guān)的模型，而不是對未來數(shù)據(jù)進行預(yù)測）。

然而，選擇低功耗模型存在著所謂的"欠擬合"問題，即模型結(jié)構(gòu)過于簡單，無法在較復(fù)雜的情況下適應(yīng)訓(xùn)練數(shù)據(jù)。（假設(shè)下面的數(shù)據(jù)有一個二次關(guān)系：y＝5*X的平方；沒有方法可以擬合一個線性回歸：y=A，B，B，B，無論我們選擇什么樣的A和B。）

為了減輕"不適合的問題"，數(shù)據(jù)科學(xué)家通常會應(yīng)用他們的"領(lǐng)域知識"來產(chǎn)生"輸入特性"，它與輸出有更直接的關(guān)系。（例如，返回到二次關(guān)系y＝5*X的平方），然后通過選取a＝5和b＝0，擬合線性回歸。

機器學(xué)習(xí)的一個主要障礙是這個特征工程步驟，它要求領(lǐng)域?qū)＜以谶M入培訓(xùn)過程之前識別重要的信號。特征工程步驟非常手工，需要大量的領(lǐng)域?qū)ｉT知識，因此成為當(dāng)今大多數(shù)機器學(xué)習(xí)任務(wù)的主要瓶頸。換句話說，如果我們沒有足夠的處理能力和足夠的數(shù)據(jù)，那么我們必須使用低功耗/簡單的模型，這需要我們花大量的時間和精力來創(chuàng)建適當(dāng)?shù)妮斎胩匦浴＿@是大多數(shù)數(shù)據(jù)科學(xué)家花時間做的事情。

神經(jīng)網(wǎng)絡(luò)的回歸

在2000年代早期，隨著大容量數(shù)據(jù)時代大量的細(xì)粒度事件數(shù)據(jù)的收集，隨著云計算和大規(guī)模并行處理基礎(chǔ)設(shè)施的進步，機器處理能力得到了極大的提高。我們不再局限于低功耗/簡單的模型。例如，當(dāng)今最流行的兩種主流機器學(xué)習(xí)模型是隨機森林和梯度增強樹。然而，盡管它們都非常強大，并提供非線性模型擬合訓(xùn)練數(shù)據(jù)，數(shù)據(jù)科學(xué)家仍然需要仔細(xì)地創(chuàng)建功能，以達到良好的性能。

與此同時，計算機科學(xué)家重新使用了許多層的神經(jīng)網(wǎng)絡(luò)來完成這些人類模擬任務(wù)。這給新出生的DNN（深度神經(jīng)網(wǎng)絡(luò)）在圖像分類和語音識別的任務(wù)提供了一個重大的突破。

DNN的主要區(qū)別是，你可以發(fā)出原信號，（例如，RGB像素值）直接到DNN沒有創(chuàng)造任何特定于域的輸入特征。通過多層次的神經(jīng)元（這就是為什么它被稱為"深"的神經(jīng)網(wǎng)絡(luò)），能夠自動生成相應(yīng)的功能，通過各層最后提供了一個很好的預(yù)測。這大大節(jié)省了"特征工程"的努力，也是數(shù)據(jù)科學(xué)家遇到的一個主要瓶頸。

DNN也演變成許多不同的網(wǎng)絡(luò)結(jié)構(gòu)，所以我們美國有線電視新聞網(wǎng)（卷積神經(jīng)網(wǎng)絡(luò)），RNN（神經(jīng)網(wǎng)絡(luò)）、LSTM（長短期記憶）、GAN（生成對抗網(wǎng)絡(luò)），遷移學(xué)習(xí)，注意模型…整個光譜被稱為"深度學(xué)習(xí)"，這是當(dāng)今全機器學(xué)習(xí)界關(guān)注的焦點。

強化學(xué)習(xí)

另一個關(guān)鍵的部分是如何模仿一個人（或動物）學(xué)習(xí)。想象一下感知/行為/獎賞周期的非常自然的動物行為。一個人或動物首先會通過感知他或她處于什么狀態(tài)來理解環(huán)境?；谶@一點，他或她會選擇一個"動作"把他或她帶到另一個"狀態(tài)"，然后他或她會得到一個"獎勵"，如此循環(huán)重復(fù)。

這種學(xué)習(xí)方法（稱為強化學(xué)習(xí)）與傳統(tǒng)的有監(jiān)督機器學(xué)習(xí)的曲線擬合方法有很大的不同。特別是，強化學(xué)習(xí)的發(fā)生非常迅速，因為每一個新的反饋（如執(zhí)行一個動作和獲得一個獎勵）立即被發(fā)送來影響隨后的決定。強化學(xué)習(xí)已經(jīng)獲得了巨大的成功在自動駕駛汽車以及AlphaGO（下棋機器人）。

強化學(xué)習(xí)也提供了一個平滑的預(yù)測和優(yōu)化集成，因為它保持一個信念的當(dāng)前狀態(tài)和可能的轉(zhuǎn)移概率時采取不同的行動，然后作出決定，哪些行動會帶來最好的結(jié)果。

深度學(xué)習(xí)+強化學(xué)習(xí)=人工智能

與經(jīng)典機器學(xué)習(xí)技術(shù)相比，深度學(xué)習(xí)提供了一個更強大的預(yù)測模型，通常能產(chǎn)生良好的預(yù)測。與經(jīng)典的優(yōu)化模型相比，強化學(xué)習(xí)提供了更快的學(xué)習(xí)機制，并且更適應(yīng)環(huán)境的變化。