概括来说，人工智能、机器学习和深度学习覆盖的技术范畴是逐层递减的。
人工智能是最宽泛的概念。
机器学习是当前比较有效的一种实现人工智能的方式。
深度学习是机器学习算法中最热门的一个分支，近些年取得了显著的进展，并替代了大多数传统机器学习算法。
三者的关系：人工智能 > 机器学习 > 深度学习。
1、人工智能
人工智能是研发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
由于这个定义只阐述了目标，而没有限定方法，因此实现人工智能存在的诸多方法和分支，导致其编程一个“大杂烩”式的学科。
2、机器学习
区别于人工智能，机器学习、尤其是监督学习则更有明确的指代。
机器学习是专门研究计算机怎么模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构，使之不断地改善自身的性能。
2.1、机器学习的实现
机器学习的实现可以分成两步：训练和预测，类似于我们熟悉的归纳和演绎。
- 归纳：从具体案例中抽象一般规律，机器学习中的“训练”也是如此。从一定数量的样本中（已知模型输入的X和模型输出Y）中，学习输出Y与输入X的关系（可以想象成某种表达式）。
- 演绎：从一般规律中推导出具体案例的结果，机器学习中的“预测”也是如此。基于训练得到的Y与X之间的关系，如出现新的输入X,计算出输入Y。通常情况下，如果通过模型计算出和真实场景的输出一致，则说明模型是有效的。
2.2、机器学习方法论
下面从“牛顿第二定律”入手，介绍机器学习的思考过程，以及在过程中如何确定模型参数，模型三个关键部分（假设、评价、优化）该如何应用。
确定模型参数
确定参数的过程与科学家提出假说的方式类似，合理的假说至少可以解释所有的已知观测数据。如果未来观测到不符合理论假说的新数据，科学家会尝试提出新的假说。如天文史上，使用大圆和小圆组合的方式计算天体运行在中世纪是可以拟合观测数据的。但随着欧洲机械工业的进步，天文观测设备逐渐强大，越来越多的观测数据无法套用已有的理论，这促进了使用椭圆计算天体运行的理论假说出现。因此，模型有效的基本条件是能够拟合已知的样本，这给我们提供了学习有效模型的实现方案。
下图 是以H为模型的假设，它是一个关于参数W和输入X的函数，用H(W,X)表示。模型的优化目标是H(W,X)的输出与真实输出Y尽量一致，两者的相差程度即是模型效果的评价函数（相差越小越好）。那么，确定参数的过程就是在已知的样本上，不断减小该评价函数（H(W,X) 和Y相差）的过程，直到学习到一个参数W，使得评价函数的取值最小。这个衡量模型预测值和真实值差距的评价函数也被称为损失函数（损失Loss）。
确定模型参数示意图
举例类比，机器如一个机械的学生一样，只能通过尝试答对（最小化损失）大量的习题（已知样本）来学习知识（模型参数W），并期望用学习到的知识（模型参数W），组成完整的模型H(W,X)，回答不知道答案的考试题（未知样本）。最小化损失是模型的优化目标，实现损失最小化的方法称为优化算法，也称为寻解算法（找到使得损失函数最小的参数解）。参数W和输入X组成公式的基本结构称为假设。在牛顿第二定律的案例中，基于对数据的观测，我们提出了线性假设，即作用力和加速度是线性关系，用线性方程表示。由此可见，模型假设、评价函数（损失/优化目标）和优化算法是构成模型的三个部分。
模型结构介绍
那么构成模型的三个部分（模型假设、评价函数和优化算法）是如何支撑机器学习流程的呢？如下图所示：
模型结构
- 模型假设：世界上的可能关系千千万，漫无目标的试探Y~X之间的关系显然是十分低效的。因此假设空间先圈定了一个模型能够表达的关系可能，如蓝色圆圈所示。机器还会进一步在假设圈定的圆圈内寻找最优的Y~X关系，即确定参数W。
- 评价函数：寻找最优之前，我们需要先定义什么是最优，即评价一个Y~X关系的好坏的指标。通常衡量该关系是否能很好的拟合现有观测样本，将拟合的误差最小作为优化目标。
- 优化算法：设置了评价指标后，就可以在假设圈定的范围内，将使得评价指标最优（损失函数最小/最拟合已有观测样本）的Y~X关系找出来，这个寻找的方法即为优化算法。最笨的优化算法即按照参数的可能，穷举每一个可能取值来计算损失函数，保留使得损失函数最小的参数作为最终结果。
网友评论