如何區(qū)分人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)？

IT資訊 2017/5/24

人工智能(Artificial Intelligence)是一個最廣泛的概念，人工智能的目的就是讓計算機這臺機器能夠象人一樣思考，而機器學(xué)習(xí)(Machine Learning)是人工智能的分支，專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，使之不斷改善自身的性能。

深度學(xué)習(xí)(Deep Learning)是一種機器學(xué)習(xí)的方法，它試圖使用包含復(fù)雜結(jié)構(gòu)或由多重非線性變換構(gòu)成的多個處理層（神經(jīng)網(wǎng)絡(luò)）對數(shù)據(jù)進行高層抽象的算法。

神經(jīng)網(wǎng)絡(luò)是一組大致模仿人類大腦構(gòu)造設(shè)計的算法，用于識別模式。神經(jīng)網(wǎng)絡(luò)通過機器感知系統(tǒng)解釋傳感器數(shù)據(jù)，能夠?qū)υ驾斎脒M行標(biāo)記或聚類等操作。神經(jīng)網(wǎng)絡(luò)所能識別的模式是數(shù)值形式，因此圖像、聲音、文本、時間序列等一切現(xiàn)實世界的數(shù)據(jù)必須轉(zhuǎn)換為數(shù)值。

在深度學(xué)習(xí)網(wǎng)絡(luò)中，每一個節(jié)點層在前一層輸出的基礎(chǔ)上學(xué)習(xí)識別一組特定的特征。隨著神經(jīng)網(wǎng)絡(luò)深度增加，節(jié)點所能識別的特征也就越來越復(fù)雜，因為每一層會整合并重組前一層的特征。

（http://fortune.com/ai-artificial-intelligence-deep-machine-learning/）

上圖顯示了一個神經(jīng)網(wǎng)絡(luò)用于判定一個圖片是不是一條狗的過程，輸入是圖片，通過深層神經(jīng)網(wǎng)絡(luò)對狗的低層特征進行抽象，最后輸出是圖片是狗的概率。

深度學(xué)習(xí)的過程同樣是分為訓(xùn)練和推理（既“評估”）兩個過程，通過訓(xùn)練過程來獲得數(shù)據(jù)模型，然后用于評估新的數(shù)據(jù)。

數(shù)據(jù)模型分為兩種，一種是所謂判別模型(Discriminative Model)，也就是說模型可以直接用來判別事物的。這里所說的判別事物，最典型的就是做分類。既然直接可以用來分類，也就是說我們可以在已知屬性的條件下，對該記錄進行判斷。所以，判別模型是對條件概率進行的建模，也就是p(Y|X)。這里X就是屬性集合，實際上就是一個向量；而Y則可能是一個值（此時對應(yīng)分類問題）， 可能是一個向量（此時對應(yīng)序列標(biāo)注問題）。判別模型常用于處理分類問題（比如鑒定垃圾郵件）、圖像識別等等。

再說一說生成模型(Generative Model)。生成模型可以描述數(shù)據(jù)的生成過程。換句話說，已知了這個模型，我們就可以產(chǎn)生該模型描述的數(shù)據(jù)。而數(shù)據(jù)由兩部分組成，也就是(X,Y)，前者是特征，后者則是類別(Y是標(biāo)量)或者序列類別(Y是向量)。要描述整個數(shù)據(jù)，也就是要對p(X,Y)進行建模，所以是對聯(lián)合概率進行建模。生成模型本身不是做分類或者序列標(biāo)注的，但是可以用來解決這些問題，也可以用于生成式問題，比如聊天機器人、比如AI譜曲等問題。

而機器學(xué)習(xí)可以分成下面幾種類別：

監(jiān)督學(xué)習(xí)從給定的訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)出一個函數(shù)，當(dāng)新的數(shù)據(jù)到來時，可以根據(jù)這個函數(shù)預(yù)測結(jié)果。監(jiān)督學(xué)習(xí)的訓(xùn)練集要求是包括輸入和輸出，也可以說是特征和目標(biāo)。訓(xùn)練數(shù)據(jù)中的目標(biāo)是由人標(biāo)注的。常見的監(jiān)督學(xué)習(xí)算法包括回歸分析和統(tǒng)計分類。

無監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)相比，訓(xùn)練集沒有人為標(biāo)注的結(jié)果。常見的無監(jiān)督學(xué)習(xí)算法有聚類。

半監(jiān)督學(xué)習(xí)介于監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)之間。它主要考慮如何利用少量的標(biāo)注樣本和大量的未標(biāo)注樣本進行訓(xùn)練和分類的問題。。

增強學(xué)習(xí)通過觀察來學(xué)習(xí)做成如何的動作。每個動作都會對環(huán)境有所影響，學(xué)習(xí)對象根據(jù)觀察到的周圍環(huán)境的反饋來做出判斷。

在傳統(tǒng)的機器學(xué)習(xí)領(lǐng)域，監(jiān)督學(xué)習(xí)最大的問題是訓(xùn)練數(shù)據(jù)標(biāo)注成本比較高，而無監(jiān)督學(xué)習(xí)應(yīng)用范圍有限。利用少量的訓(xùn)練樣本和大量無標(biāo)注數(shù)據(jù)的半監(jiān)督學(xué)習(xí)一直是機器學(xué)習(xí)的研究重點。

當(dāng)前非常流行的深度學(xué)習(xí)GAN模型和半監(jiān)督學(xué)習(xí)的思路有相通之處，GAN是“生成對抗網(wǎng)絡(luò)”（Generative Adversarial Networks）的簡稱，包括了一個生成模型G和一個判別模型D，GAN的目標(biāo)函數(shù)是關(guān)于D與G的一個零和游戲，也是一個最小-最大化問題。

GAN實際上就是生成模型和判別模型之間的一個模仿游戲。生成模型的目的，就是要盡量去模仿、建模和學(xué)習(xí)真實數(shù)據(jù)的分布規(guī)律；而判別模型則是要判別自己所得到的一個輸入數(shù)據(jù)，究竟是來自于真實的數(shù)據(jù)分布還是來自于一個生成模型。通過這兩個內(nèi)部模型之間不斷的競爭，從而提高兩個模型的生成能力和判別能力。