在围绕东谈主工智能 （AI） 的扫数新闻中，许多与 AI 谈论的流行语被罪恶地互换使用。术语 AI 和机器学习 （ML） 的同义用法是这种术语玷污的常见情况。
什么是东谈主工智能？
东谈主工智能是筹办机科学的一个分支，专注于创建随机实践需要东谈主类智能的任务的系统。这种访佛东谈主类材干的模拟使 AI 随机实践非 AI 系统无法处理的任务，举例：
按照说明生周到新的内容、假想或惩办决策。猜想将来的趋势和行径。识别所提供数据中的复杂方法。跟着时分的推移普及性能，无需独特编程。在动态和非结构化环境中运行。
基于 AI 的系统使用数学算法来处理多数数据，识别输入中的方法，并左证可用数据作念出决策或猜想。关联词，在系统准备好实质使用之前，AI 必须当先经过粗犷的教学。
AI 系统在海量数据集上进行教学，其中包含模子可以从中学习的示例。在教学时间，系统会转化其参数以普及处理或分析教学数据的准确性。经过充分教学后，AI 可以处理新的、以前未见过的数据，这些数据的面孔与教学模子的文献相通。
AI 技能最有影响力的上风是咱们可以使用它们来自动实践重复性任务。以下是 AI 在各个行业的一些常见用途：
分析医学图像（举例 X 射线、MRI）和患者数据以会诊疾病。左证历史数据评估和猜想财务风险。左证浏览历史记载、偏好和购买行径向用户保举居品。分析往返方法以检测诓骗四肢。使自动驾驶汽车随机导航、识别物体并作念出驾驶决策。对功课和覆按进行评分。左证用户的指南生成音乐、艺术和著述。筛选简历、安排口试并协助招聘经过。
AI 的类型
东谈主工智能有两种类型：狭义（弱）AI 和通用（强）AI。
Narrow AI 旨在在有限的高下文中实践单个或窄小的任务。这种类型的 AI 擅长实践界说明确和重复的任务。以下是狭义 AI 的几个示例：
Siri 或 Alexa 等语音识别系统。电子邮件处事用于识别和过滤掉不需要的电子邮件的垃圾邮件过滤器。流媒体平台使用的保举算法。自动驾驶汽车中的图像识别软件。用于网站客户处事的聊天机器东谈主和造谣助手。智妙手机和笔墨处理器中的猜想文本和自动完顺利能。分析市集数据并实践往返的股票往返算法。
Narrow AI 基于预界说的算法和礼貌运行。这种类型的 AI 是高度专科化的，无法实践其范围除外的任务。狭义 AI 的另一个通用称号是狭义东谈主工智能 （ANI）。
另一方面，通用 AI 是指一个假定的 AI 系统，它瓦解出宽敞的类东谈主智能。与狭义 AI 不同，通用 AI 将具有跨不同领域意会、学习和应用常识的材干。因此，浩大的 AI 将随机在不需要特意教学的情况下实践融会任务。
通用东谈主工智能仍然是一个表面宗旨，尚未达成。要是咱们开荒它，浩大的 AI 系统将随机以格外或进步东谈主类材干的水平实践粗犷的任务。通用 AI 的另一个称号是通用东谈主工智能 （AGI）。
什么是机器学习？
机器学习是 AI 的一个子集，专注于开荒使筹办机随机从提供的数据中学习的算法。教学这些算法使咱们随机创建机器学习模子，这些模子可以索要以前看不见的输入数据并生成特定输出的法度。
扫数机器学习模子皆实践以下两大类任务之一：
需要模子对提供的数据进行分类的分类任务（举例，此电子邮件是垃圾邮件一经正当邮件）。条款模子左证提供的数据进行猜想的追忆任务（举例，用户接下来思不雅看哪个视频）。
天然 ML 似乎受到截止，但公司使用机器学习来实践各式任务。以下是 ML 模子的最常见用途：
将文献分类为不同的类别或类。分析数据以发现荫藏的趋势或特地。进行继续猜想，举例猜想房价或潜在的销售收入。将相似的数据点分组到集群中（举例，客户或市集细分）。
有四种不同类型的机器学习：
监督式学习。这种类型的机器学习在模子教学时间使用标记的数据。每条输入数据皆与相应的输出配对，模子从输入-输出对之间的谈论性中学习。无监督学习。这种类型的 ML 在教学时间依赖于未标记的数据。该模子必须查找方法和相关，而不依赖于预界说的输入-输出标签。半监督学习。此计谋触及标记和未标记教学数据的组合使用。强化学习。这种类型的机器学习允许算法与环境交互，并以奖励或刑事职守的面孔摄取反应。该模子通过弄了了如何跟着时分的推移最大化积累奖励来学习。
机器学习算法的类型
左证 ML 算法的学习措施和它们实践的任务的性质，有几类。以下是最常见的机器学习算法类型：
追忆算法。这些算法左证一个或多个输入变量猜想集结输出。最流行的追忆算法是线性追忆、多项式追忆、岭追忆和套索追忆。分类算法。这些算法将输入数据分类到预界说的类中。这种类型的最流行的算法是撑持向量机 （SVM）、决策树、立地丛林和 K 最隔邻 （KNN）。聚类算法。这些算法将相似的数据点分组到集群中，以在数据中查找天然分组。最常见的聚类算法是 K-means、分层聚类和 DBSCAN（基于密度的噪声应用法度空间聚类）。降维算法。这些算法减少了数据中的特征数目，同期保留了尽可能多的信息。这种类型的最常见算法是主因素分析 （PCA）、t 溜达式立地邻域镶嵌 （t-SNE） 和线性判别分析 （LDA）。强化学习算法。这些算法与环境交互，并以奖励或刑事职守的面孔汇注反应。强化学习算法的常指教例包括 Q-learning、深度 Q-汇注、计谋梯度措施和 Actor-critic 措施。深度学习算法。这些算法使用深度神经汇注 （DNN） 对数据中的复杂方法进行建模。深度学习算法的常指教例包括卷积神经汇注 （CNN）、递归神经汇注 （RNN）、辱骂期牵记 （LSTM） 汇注和生成造反汇注 （GAN）。
AI 和机器学习有什么分离？
天然 AI 和 ML 之间有许多重复，但这两个领域赫然是寂寥的领域。下表深刻空洞了东谈主工智能和机器学习之间的分离：
AI 与机器学习：主张
AI 的主要主张是开荒师法东谈主类融会材干的机器，举例：
推理。学习。惩办问题。知觉。意会天然谈话。了解高下文。逐案决策。
另一方面，ML 的主要主张是使筹办机随机从数据中学习并左证数据作念出猜想或决策。主张是创建自动检测方法、索要视力并从数据中泛化以实践分类和追忆任务的系统。
AI 与机器学习：学习措施
AI 包含多种学习措施。这些措施包括：
标志学习（基于逻辑的措施）。标志学习触及使用明确界说的礼貌、逻辑和标志示意来实践推理和决策。这些系统依靠东谈主工构建的常识库和推理礼貌来惩办问题和作念出决策。子标志学习（数据驱动措施）。子标志学习触及使用统计和筹办技能顺利从数据中学习方法和示意。这种措施依赖于通过体验普及性能的神经汇注和 ML 模子。羼杂学习措施。这种学习措施勾引了标志学习和子标志学习。举例，您可以将基于礼貌的系统与神经汇注相勾引，以运用两者的上风。
另一方面，机器学习极度温存数据驱动的学习措施。ML 中的主要学习措施包括：
监督学习（即从标记数据中学习）。无监督学习（即从未标记的数据中学习）。半监督学习（即从标记和未标记数据的羼杂中学习）。强化学习（即通过与环境交互并汇注即时反应来学习）。
AI 与机器学习：实施
实施基于礼貌的 AI 系统当先要界说一套全面的礼貌和首选常识库。这个开动法子需要领域众人的多数干涉，他们将他们的常识滚动为持重的礼貌。
在实施更高档的 AI 系统（举例触及筹办机视觉、NLP 或自主决策的系统）时，时常需要勾引不同的 AI 技能，举例：
用于推理的标志 AI，用于方法识别的神经汇注。处理省略情味的概率措施。用于优化和适合抑止变化的环境的进化算法。迂缓逻辑，用于处理不精准性和对省略情或迂缓信息进行推理。Swarm 智能，用于通曩昔中心化代理的集体行径来惩办问题。
实施经过期常触及集成各式 AI 组件并确保它们无缝协同责任。这种集成时常很复杂，因为它触及相互交互和互补的不同技能和算法。
实施 ML 更侧重于数据驱动的措施。ML 达成的第一步是数据汇注和预处理。此法子触及汇注与您尝试惩办的问题谈论的多数数据并对其进行计帐以确保其高质料。
接下来，聘用者取舍合适的 ML 算法。左证问题（举例，分类、追忆、聚类），您可以取舍合适可用数据性质和主张的合适算法。
取舍算法后，下一步是教学模子。此经过包括将预处理后的数据馈遗到模子中，并允许它学习数据中的方法和相关。在教学时间，您还将考证模子以确保其正确学习。
教学后，在单独的数据集上对模子进行测试，以评估其准确性和泛化材干。要是模子性能简洁，则已准备好进行部署。
AI 与机器学习：条款
AI 系统具有粗犷的需求。要是 AI 依赖于需要众人创建礼貌和常识库的基于礼貌的系统，则开荒东谈主员必须具备粗犷的领域常识。这些系统还需要逻辑和推理框架来构建智能行径。
AI 系统的筹办资源互异很大。一些系统使用限定的资源运行，但更复杂的系统（举例使用神经汇注或运行大型模拟的系统）需要多数的筹办材干。专用硬件和高档筹办面孔（举例 HPC 或 GPU 筹办）是法度条款。
AI 还需要不同的编程技巧和算法常识。开荒东谈主员必须使用不同的技能来构建模子，此外，系统时常需要羼杂多种措施来处理感知、推理和学习任务。
另一方面，机器学习最关节的必要性是数据。ML 模子的顺利在很猛进程上取决于教学数据的数目和质料。
与其他 AI 技能相似，ML 需要多数的筹办资源。教学复杂而深刻的模子需要浩大的 CPU 或 TPU 以及多数内存。
东谈主类专科常识是机器学习的另一个清苦条款。扫数 ML 名目皆需要耀眼统计和数据分析的数据科学家。这些数据科学家负责各式手动任务，包括：
预处理数据。取舍合适的型号。转化模子的参数。在培训时间监督学习经过。
东谈主类专科常识关于有用的特征工程和模子恶果的解释也至关清苦。此外，ML 管理员必须对各式器具和框架有很好的了解，举例 PyTorch 或 TensorFlow。
学习 AI 一经机器学习更好？
决定是学习 AI 一经 ML 取决于您的酷好、功绩主张和您思从事的责任类型。这两个领域皆提供了令东谈主兴盛的契机，而且是技能将来的中枢，因此您在这里确实不成作念出罪恶的取舍。
要是您省略情是主要温存 AI 一经 ML，以下几点可能有助于冲破僵局：
AI 涵盖更粗犷的主题，包括 ML、机器东谈主技能、众人系统、NLP 等。更粗犷的范围使这个领域更难掌抓，但也带来了更种种化的功绩契机。ML 更侧重于数据驱动。要是您可爱使用数据、统计数据和算法，那么机器学习是一个可以的取舍。AI 需要在传统筹办机科学除外进行更多学习。与您决定学习 AI 比拟，ML 条款您熟谙的技能和领域更少。要是您对心绪学、神经科学和筹办机科学交叉等领域感酷好，AI 是一个更天然的取舍。
要是您仍然省略情正确的取舍，咱们提议您从 ML 动手，因为这是 AI 的基本构成部分。学习 ML 将为您提供一个坚实的基础，让您在以后的功绩生存中探索 AI 的更粗犷方面。
我可以在莫得机器学习的情况放学习 AI 吗？
您可以在不单专注于机器学习的情况放学习 AI，但您会错过 AI 技能的基本部分。以下是一些与 AI 谈论的领域，在您动手从事更高档的名目之前，这些领域不会以 ML 为要点：
标志 AI（基于逻辑的措施）。这些系统依靠预界说的礼貌而不是 ML 模子来作念出决策。经典 AI 技能。A* 搜索、Dijkstra 算法和其他图形搜索措施等 AI 技能不依赖于 ML。众人系统。这些系统通过谨守领域众人提供的一组礼貌来模拟东谈主类众人的决策材干。在大多数使用案例中，无需诞生 ML 模子。自动推理。该领域触及算法的开荒，以惩办逻辑推理、定清爽说和管制赋闲问题 （CSP） 等问题。
您可以学习和实施 AI 的许多方面，而无需深刻参谋机器学习。然则，沟通到 ML 在 AI 中的清苦性和适用性日益增多，领有 ML 的一些常识将增强您对 AI 的全体意会。
AI 可以取代机器学习吗？
AI 和 ML 是互补的，而不是相互舍弃的，因此 AI 不需要取代 ML（反之也是）。
机器学习是 AI 器具包中最浩大的器具之一。ML 使 AI 系统随机从数据中学习并跟着时分的推移进行校阅，这关于许多当代 AI 应用法度至关清苦，包括：
图像识别。天然谈话处理。猜想任务。心情分析。自动驾驶。诓骗检测。
因此，天然某些 AI 系统可能不使用 ML，但许多高档 AI 应用法度严重依赖 ML。两者之间的相关更多的是整合和互补，而不是替代。
现时您知谈两者的分离了
要是您谈论在公司使用 AI 和机器学习之间的任何一种技能MK体育官网全站入口，那么了解 AI 和机器学习之间的分离至关清苦。了了地了解 AI 和 ML 的分离，使您随机就投资哪些技能以及如何有用实施这些技能作念出理智的决策。