人工智能、机器学习与深度学习

参考书籍《白话大数据与机器学习》高扬等


人工智能是一个较宽泛的概念，旨在通过计算机实现类似人类的智能。

机器学习是解决人工智能问题中的一个重要方法。

深度学习是机器学习的一个分支，它在很多领域突破了传统机器学习的瓶颈，将人工智能推向了一个新高潮。

 

卡内基梅隆大学的Tom MichaelMitchell教授在《Machine learning》书中对机器学习给出比较专业的定义，业界也比较认可。定义为“如果一个程序可以在任务T上，随着经验E的增加，效果P也可以随之增加，则称这个程序可以从经验中学习”，通俗的将，就是计算机通过对任务上的历史数据（或叫训练数据）的学习，总结归纳出潜在规律，完成相应的任务；一般情况下，当历史数据（训练数据）越多，积累学习的经验规律就越多越成熟，会提高完成任务的成功率。



大部分情况下，在训练数据达到一定程度之前，越多的训练数据可使机器学习算法的预测精度越高。之所以说是大多数情况下，是由于机器学习算法的效果除了依赖于训练数据，还依赖于从数据中提取的特征。如果数据特征提取不正确，那么再多的训练数据也不能提高预测精度。

目前传统机器学习提取特征主要是人工提取，受人为影响较大。特征不同，则同样数据的表达方式不同，造成最后预测精度也有较大差异。人工方式去抽取实体或数据特征，往往是根据经验，无法很好的去抽取合适的特征，那么有没有自动抽取实体或数据特征的呢？

深度学习解决的核心问题之一就是自动的将简单的特征组合成更复杂的特征，并且使用这些组合特征解决问题。深度学习可以从数据中抽取更加复杂的特征表达式，使的最后一步权重学习变得更加简单且高效。



大部分情况下，在训练数据达到一定程度之前，越多的训练数据可使机器学习算法的预测精度越高。之所以说是大多数情况下，是由于机器学习算法的效果除了依赖于训练数据，还依赖于从数据中提取的特征。如果数据特征提取不正确，那么再多的训练数据也不能提高预测精度。

目前传统机器学习提取特征主要是人工提取，受人为影响较大。特征不同，则同样数据的表达方式不同，造成最后预测精度也有较大差异。人工方式去抽取实体或数据特征，往往是根据经验，无法很好的去抽取合适的特征，那么有没有自动抽取实体或数据特征的呢？

深度学习解决的核心问题之一就是自动的将简单的特征组合成更复杂的特征，并且使用这些组合特征解决问题。深度学习可以从数据中抽取更加复杂的特征表达式，使的最后一步权重学习变得更加简单且高效。