如果您剛開(kāi)始接觸人工智能或數(shù)據(jù)科學(xué)，那么很有可能一遍又一遍地碰到這四個(gè)術(shù)語(yǔ)。如果您從未完全理解這四個(gè)術(shù)語(yǔ)的含義，那么本文適合您。在本文中，您將發(fā)現(xiàn)它們的基本含義，并了解它們之間的區(qū)別。我將盡一切努力使事情變得簡(jiǎn)單，并且當(dāng)您繼續(xù)閱讀本文時(shí)，您將發(fā)現(xiàn)這些術(shù)語(yǔ)的真正含義。事不宜遲，讓我們開(kāi)始第一個(gè)。

[[382879]]

人工智能

與人類或動(dòng)物中發(fā)現(xiàn)的自然智能相比，人工智能或人工智能是指在機(jī)器中創(chuàng)造智能行為。實(shí)現(xiàn)人工智能有兩種主要方法，一種是使用經(jīng)典編程，在其中您可以對(duì)所有編程邏輯進(jìn)行編碼，第二種是使用機(jī)器學(xué)習(xí)。當(dāng)前，機(jī)器學(xué)習(xí)是最成功的方法，或者更具體地說(shuō)，可以使用深度學(xué)習(xí)來(lái)實(shí)現(xiàn)此目標(biāo)，正如我們將在本文中進(jìn)一步看到的那樣。首先讓我們看看什么是機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)(ml)是人工智能的一部分。這意味著，只要您編寫機(jī)器學(xué)習(xí)代碼，您也是編碼人工智能。機(jī)器學(xué)習(xí)基本上是程序計(jì)算機(jī)的不同方式，尤其是與傳統(tǒng)編程相比。這就是為什么機(jī)器學(xué)習(xí)有時(shí)被稱為“軟件2.0”。

通常，如果您正在編寫軟件，則可以定義所有規(guī)則和所有編程邏輯，并且可以通過(guò)多種方式對(duì)計(jì)算機(jī)進(jìn)行顯式編程。但是，在機(jī)器學(xué)習(xí)中，您并沒(méi)有明確地對(duì)計(jì)算機(jī)進(jìn)行編程。相反，您要做的是創(chuàng)建一個(gè)機(jī)器學(xué)習(xí)模型，并使用適當(dāng)?shù)臄?shù)據(jù)和目標(biāo)來(lái)訓(xùn)練該模型。在訓(xùn)練機(jī)器學(xué)習(xí)模型時(shí)，您的模型將學(xué)習(xí)近似所需的結(jié)果?；旧?，在機(jī)器學(xué)習(xí)中，您是在編寫軟件，而不是對(duì)計(jì)算機(jī)進(jìn)行顯式編程。

機(jī)器學(xué)習(xí)中的大多數(shù)編程都是由您提供的數(shù)據(jù)執(zhí)行的。相同的機(jī)器學(xué)習(xí)模型(取決于所訓(xùn)練的數(shù)據(jù))可以學(xué)會(huì)識(shí)別皮膚癌，也可以學(xué)會(huì)區(qū)分貓和狗。

首次創(chuàng)建機(jī)器學(xué)習(xí)模型時(shí)，首先要進(jìn)行幾乎是隨機(jī)的預(yù)測(cè)，并且每次訓(xùn)練模型時(shí)，它都會(huì)學(xué)習(xí)到對(duì)其預(yù)測(cè)的錯(cuò)誤要少一些，直到達(dá)到最佳性能為止。盡管它始于隨機(jī)預(yù)測(cè)，但在許多情況下，機(jī)器學(xué)習(xí)模型可以實(shí)現(xiàn)超人水平的性能。從根本上講，這意味著它們?cè)趫?zhí)行給定的特定任務(wù)方面可以等同于或優(yōu)于人類。

當(dāng)前，最成功的機(jī)器學(xué)習(xí)方法稱為深度學(xué)習(xí)。

深度學(xué)習(xí)

深度學(xué)習(xí)(DL)是利用深度神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)的子集。

順便說(shuō)一下，如果您不知道什么是神經(jīng)網(wǎng)絡(luò)，就不必為了掌握機(jī)器學(xué)習(xí)與深度學(xué)習(xí)之間的區(qū)別而全面了解所有內(nèi)容。如果您有興趣了解有關(guān)神經(jīng)網(wǎng)絡(luò)的更多信息，我將在它們上發(fā)表更全面的文章。這些文章的目的是使諸如人工智能和機(jī)器學(xué)習(xí)之類的看似復(fù)雜的話題一次變得易于理解。

在進(jìn)一步介紹之前，讓我們快速看一下神經(jīng)網(wǎng)絡(luò)是什么。關(guān)于神經(jīng)網(wǎng)絡(luò)，您應(yīng)該了解的一件事是它們是在稱為神經(jīng)網(wǎng)絡(luò)層的層中創(chuàng)建的。第一層稱為輸入層，最后一層稱為輸出層。中間的層稱為隱藏層。如果神經(jīng)網(wǎng)絡(luò)的總層數(shù)超過(guò)三層，則稱為深度神經(jīng)網(wǎng)絡(luò)。因此，如果您的神經(jīng)網(wǎng)絡(luò)只有兩層，那么您實(shí)際上是在進(jìn)行機(jī)器學(xué)習(xí)。但是，當(dāng)您擁有3層或更多層時(shí)，您還將在機(jī)器學(xué)習(xí)之上執(zhí)行深度學(xué)習(xí)。

神經(jīng)網(wǎng)絡(luò)的基本方面之一是滿足所謂的通用近似定理。這基本上意味著，只要有足夠的大小和體系結(jié)構(gòu)，您就可以始終使用神經(jīng)網(wǎng)絡(luò)近似任何函數(shù)。這意味著，您無(wú)需創(chuàng)建具有所有規(guī)則和編程邏輯的軟件，而是創(chuàng)建了一個(gè)神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)可以從提供的數(shù)據(jù)中學(xué)習(xí)以執(zhí)行分配的任務(wù)。例如，您可以給貓和狗的神經(jīng)網(wǎng)絡(luò)圖像，然后讓神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行分類。當(dāng)您這樣做時(shí)，網(wǎng)絡(luò)將在圖像像素和結(jié)果分類之間創(chuàng)建映射。最初，網(wǎng)絡(luò)將從隨機(jī)猜測(cè)開(kāi)始，但是隨著訓(xùn)練更多數(shù)據(jù)，它將最終學(xué)會(huì)根據(jù)貓和狗的像素值來(lái)區(qū)分它們。

順便說(shuō)一下，機(jī)器學(xué)習(xí)還可以使用神經(jīng)網(wǎng)絡(luò)以外的方法。但是，由于性能優(yōu)越，大多數(shù)(如果不是全部)都已被深度學(xué)習(xí)模型取代。甚至與機(jī)器學(xué)習(xí)相比，深度學(xué)習(xí)也刪除了越來(lái)越多的軟件人工編寫部分。這是因?yàn)椋词鼓煜C(jī)器學(xué)習(xí)，即使在機(jī)器學(xué)習(xí)中，人們?nèi)匀恍枰龀鲆恍┲卮鬀Q策，例如功能選擇。

數(shù)據(jù)科學(xué)

數(shù)據(jù)科學(xué)本質(zhì)上是關(guān)于使用統(tǒng)計(jì)方法和機(jī)器學(xué)習(xí)方法來(lái)理解數(shù)據(jù)。如果您是一名數(shù)據(jù)科學(xué)家，則可能不會(huì)想到新的神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，但是您可以使用它們來(lái)分析所擁有的數(shù)據(jù)，以提取有意義的見(jiàn)解。當(dāng)然，執(zhí)行此分析還需要領(lǐng)域知識(shí)，以確保您不僅在計(jì)算隨機(jī)統(tǒng)計(jì)信息，而且還從實(shí)際數(shù)據(jù)中實(shí)際提取有意義且可操作的見(jiàn)解。

結(jié)論

如您所見(jiàn)，所有這四個(gè)都是相互連接的，但是具有使它們與眾不同的獨(dú)特功能。從AI到ML到DL的道路更像是創(chuàng)建人工智能最成功方法的演變。另一方面，數(shù)據(jù)科學(xué)是在現(xiàn)實(shí)生活中使用或?qū)崿F(xiàn)它們的一種方法，主要用于分析目的。

我希望本文有助于闡明這些術(shù)語(yǔ)之間的主要區(qū)別。如果您對(duì)某些部分感到困惑，請(qǐng)隨時(shí)在評(píng)論部分中詢問(wèn)。我會(huì)盡快給您答復(fù)。如果您的問(wèn)題需要更深入的解釋，我可以在另一篇文章中進(jìn)行解釋。

原文鏈接：

https://medium.com/swlh/artificial-intelligence-vs-machine-learning-vs-deep-learning-vs-data-science-5d01381554fd