关键要点
- 人工智能(ai)和机器学习(ml)有时被互换使用,但它们是两个不同的概念。
- 人工智能包括机器学习。
- 人工智能可以模仿人类行为。
人工智能(ai)和机器学习(ml)有时被互换使用,但它们是两个不同的概念。人工智能是指机器人或计算机完成通常由人类完成的任务的能力。
机器学习是人工智能的一个子集,它使计算机系统或程序能够在无人介入或显式编程的情况下通过经验学习、适应和改进。
人工智能包括机器学习,但还包括更多内容。例如,人工智能还包括智能助手、自动驾驶汽车和自动化金融投资。了解人工智能和机器学习的几个方面,能够清楚地理解它们的相似之处和区别。
人工智能 vs 机器学习: 并排对比
下表显示了人工智能和机器学习的并排对比。
人工智能(ai) | 机器学习(ml) | |
---|---|---|
定义: | 人工智能是不同类型的计算机系统模仿人类活动或功能的能力。 | 机器学习是机器能够自动从以往数据中学习的能力。 |
主要用途: | ai旨在创建能完成许多复杂任务的智能系统。 | 机器学习创建的机器只能完成它们接受过训练的特定任务。 |
不同类型: | 有六种类型的ai:机器学习、神经网络、机器人技术、专家系统、模糊逻辑和自然语言处理。 | 机器学习分为三个领域:监督学习、无监督学习和强化学习。 |
解决问题的能力: | ai设计用于独立运作并解决许多问题。 | 机器学习设计用于尽快高效地解决一个特定问题。 |
首次发布: | 尽管没有正式的发布日期,但john mccarthy和marvin minsky于1956年在人工智能的达特茅斯夏季研究项目中提出了他们关于ai的想法。 | 1959年,arthur samuel首次使用了机器学习这个术语。 |
数据类型: | ai可以处理结构化和非结构化数据。 | 机器学习只能处理结构化数据,有时还能处理半结构化数据。 |
有影响力的开发者: | 有影响力的开发者包括john mccarthy、marvin minsky、alan turing、nathaniel rochester和claude e. shannon。 | 有影响力的开发者包括frank rosenblatt和arthur samuel。 |
总体目标: | 完成任务并提高成功的可能性。 | 提高速度和准确性。 |
受影响的技术: | 人工智能的例子包括自动驾驶汽车、智能助手、疾病映射、对话机器人和社交媒体监控。 | 机器学习的例子包括销售数据分析、欺诈检测、产品推荐和视频监控。 |
人工智能与机器学习:有何区别?
在训练计算机和设计系统时,需要注意人工智能和机器学习经常会有重叠。然而,人工智能和机器学习之间存在基本的区别,可以帮助我们区分相似之处和不同之处。
人工智能可以创建独立思考,能够解决各种各样的问题,而机器学习则致力于尽可能准确地解决单个问题。人工智能具有创造性,可以利用不同的思考方法,而机器学习则是重复性的,会多次重复同一个问题以寻找模式。
人工智能可以模仿人类行为并执行许多人类所做的任务。现在,通过人工智能,计算机和机器人可以执行需要推理、思考和学习的人类任务。机器学习是一种通过经验自身学习而不是明确编程的实际机器学习。
人工智能与机器学习:五个必知事实
关于机器学习和人工智能,有一些基本事实。
- <link_7>机器学习</link>主要是关于从数据和算法中学习。因此,机器学习的好坏取决于使用的数据。
- 人工智能包括推理和自我纠正,而机器学习在给定新数据时也可以包括推理和自我纠正。
- 机器学习是人工智能的一个子集。其他重要的子集包括大数据、自然语言处理、机器人技术和神经网络。
- 人工智能有两个词,即人工和智能。这两个词的意思是“人类设计的思维力量”。
- 人工智能现在正在培训计算机,并以几种不同的方式改变它们的工作,包括它们如何编程、它们用于什么以及甚至它们如何制造。
人工智能和机器学习的完整历史
人工智能
计算机需要能够存储命令,而不仅仅是执行命令,以便计算机可以执行涉及人工智能的任务。在1949年之前,计算机被告知要做什么,但它们无法记住它们遵循的命令。然而,训练计算机“自己思考”即将到来。
<link_8>艾伦·图灵</link>是第一个解释人工智能概念的人。这位英国数学家的思想在1950年的一篇论文中被提出。这篇论文名为《计算机机器和智能》,提出了“机器能否思考”的问题。艾伦·图灵在发展理论计算机科学方面有很大影响。
大约五年后,herbert simon、cliff shaw和allen newell展示了逻辑理论家。这是一个能够模仿人类解决问题能力的程序。许多人认为这是第一个人工智能程序。它在一个名为“达特茅斯夏季研究项目”的会议上展示。该会议由marvin minsky和john mccarthy于1956年主持。
机器学习
机器学习有时被认为可以追溯到1949年,当时donald hebb在一本名为《行为的组织》的书中提出了有关脑神经元之间通信的理论。
在1950年代,ibm的arthur samuel创建了一个计算机程序,开始了alpha-beta剪枝。这是在一个用于下棋的计算机程序中。该程序包括一个用于衡量双方获胜机会的评分函数。最小化最大化算法就是从这个程序中发展出来的。
到了1957年,frank rosenblatt将arthur samuel和donald hebb的努力结合起来,创造了所谓的“感知器”。这是一台机器而不是一个程序。该软件设计用于ibm 704的自定义建造的机器上。它被称为mark 1感知器。机器学习与人工智能密切相关,直到20世纪70年代才开始分支。
如何使用人工智能和机器学习?
以下是人工智能使用的具体示例:
- 个人助手:由人工智能驱动的个人助手的具体示例包括苹果的siri,谷歌的google home以及亚马逊的alexa。通过使用人工智能编程的个人助手可以通过回答问题、发送消息、预订酒店和组织个人日历来帮助用户。
- 自动驾驶汽车:自动驾驶汽车涉及有限的记忆和人工智能。人工智能将根据最近发生的数据做出即时决策。这些汽车使用传感器识别从交通信号到弯曲道路,以及可能横穿马路的平民。
- 工业机器人:大多数机器人并没有编程人工智能。此外,机器人本身并不是人工智能的示例。机器人技术是专门处理机器人物理方面的领域。然而,将人工智能算法添加到机器人中可以使机器完成复杂的任务。通过路径规划的人工智能算法,工业机器人可以自主地在仓库内导航。该机器人甚至可以监控自己的性能。
- 计算机断层扫描(ct):人工智能目前正在模仿计算机断层扫描(ct)领域的人类行为。这种诊断程序通常被称为ct扫描。在某些情况下,它超越了人类的能力。例如,计算机断层扫描(ct)是计算机搜索癌症的能力。这些机器现在可以以94%的惊人成功率预测肺癌。
- 机器人吸尘器:机器人吸尘器是人工智能的例子。这些吸尘器可以快速扫描一个房间,并找出清洁周围障碍物的最高效路径。由于在开发这些机器时进行了广泛的计算机模拟,所以这些吸尘器可以在很少的人工干预下完成任务。
自动驾驶汽车使用人工智能做出即时决策。
©metamorworks/shutterstock.com
机器学习的例子包括以下内容:
- 视频监控:计算机现在被训练用于监控家庭、商店或大型工厂中的多个摄像头。计算机可以持续几小时甚至几天追踪异常行为,并不容易受到人类的干扰。
- 社交媒体:通过机器学习,社交媒体平台可以了解一个人访问的网站和他们的朋友。在了解一个人的模式之后,可以根据这些模式提出新的朋友建议。
- 搜索引擎结果:机器学习可以通过监控和跟踪一个人的搜索内容以及搜索后打开的页面和展示的结果来优化搜索结果。
理解人工智能和机器学习之间的区别和相似之处的另一种方法是研究个体可能在每个特定领域追求的不同职业。
人工智能领域的职业
人工智能是一种各种智能技术的总称。专门从事人工智能领域的技能有时不太技术性,而更具理论性。然而,从事机器学习领域的人员需要具备很高的技术专长。他们必须了解如何通过模拟来构建模型。在人工智能中进行模拟可能涉及创建一个表示人工智能将完成的实际活动或任务的计算机程序。
寻求从事人工智能职业的人需要具备算法和分析算法的特定技能。理解数据科学、数据挖掘、程序设计和机器人技术也很重要。他们还需要了解机器学习,因为这是人工智能的一个子集。最后,有必要研究与开发安全和负责任的新技术有关的道德问题。
机器学习职业
那些希望从事更专业的机器学习领域职业的人应具备扎实的物理学、应用数学和神经网络架构基础。他们还可能需要了解编程、概率、统计和算法。
在从事机器学习职业之前,人们可能获得的特定学位包括数学或计算机科学本科学位。他们可能担任的具体职位包括机器学习工程师或业务开发人员。
人工智能与机器学习:哪个更好?应该使用哪个?
人工智能和机器学习都没有更好的选择,它们只是不同。人工智能系统的目标是解决人类通常完成的问题和任务。这意味着该系统必须具有独立和自主的智能。在给定不同的数据集和事实时,人工智能将分析和解释数据,然后生成不同的结论。
在设计机器学习时,目标并不一定是解决许多问题。(虚拟助手或外科机器人可能需要解决许多问题。)相反,机器学习是通过最有效的方式解决特定问题。
人工智能不仅需要智能和对事实的理解,还需要计算机具有辨别力。无论是以计算机形式还是机器人形式,人工智能都可以执行许多在以前只能由人类完成的任务。
确定哪个更好或应该使用哪个取决于您需要什么样的帮助和希望实现什么目标。以下是人工智能和机器学习在使用的领域和具体任务,这可能有助于确定在某些情况下最佳选择。
何时应该使用人工智能?
如果您正在创建以下系统之一,您需要实施人工智能才能达到有效的目标。
- 语音和手写识别
- 包括国际象棋或扑克等活动的游戏
- 涉及机器人手术等复杂医疗过程
- 个性化辅导系统在教育中的应用
- 在模拟建模中使用的人工智能
何时应该使用机器学习?
由于机器学习专注于模式和准确性,以下是需要特别使用机器学习的示例。
- 使用传感器和可穿戴设备
- 过滤电子邮件垃圾邮件
- 存储交通事实以帮助人们找到最佳路线的应用程序
接下来是…
本文顶部显示的图像是©nicoelnino/shutterstock.com。