机器学习vs深度学习：有什么区别？

如今，人工智能无处不在，但这种有影响力的新技术的基本工作原理可能很难理解。人工智能开发中最重要的两个领域是“机器学习”及其子领域“深度学习”，这两个术语有时可以互换使用，但会导致一定程度的混乱。这里快速解释一下这两个重要的学科是什么，以及它们如何为自动化的发展做出贡献。

一、AI是什么？

人工智能的支持者表示，他们希望有一天能创造出一种能够独立“思考”的机器。人脑是一个极棒的工具，能够进行远远超过任何现有机器能力的计算。参与人工智能开发的软件工程师希望最终制造出一种机器，它可以做人类在智力上可以做的一切，可以超过人类的能力。目前，人工智能在商业和政府中的应用在很大程度上相当于预测算法，比如在Spotify上建议你的下一首歌，或者试图向你出售与你上周在亚马逊上购买的东西类似的产品。然而，人工智能的传播者认为，这项技术最终将能够推理并做出复杂得多的决定。这就是ML（机器学习，machine learning，简称ML）和DL（深度学习，deep learning，简称DL）的用武之地。

解释机器学习

机器学习（或ML）是人工智能的一个广泛类别，指的是软件程序被“教导”如何做出预测或“决策”的过程。国际商业机器公司的一名工程师杰夫·克鲁姆（Jeff Crume）将机器学习解释为“一种非常复杂的统计分析形式”。根据克鲁姆的说法，这种分析允许机器“根据数据做出预测或决策”。他说，“输入系统的信息越多，它就能给我们越准确的预测。”

在一般编程中，机器被设计来完成非常具体的任务，与此不同的是，机器学习围绕着训练算法来自行识别数据中的模式。如前所述，机器学习包含各种各样的活动。

解释深度学习

深度学习就是机器学习。它是前面提到的机器学习的子类别之一，像其他形式的ML一样，专注于教人工智能“思考”。与其他形式的机器学习不同，DL试图让算法完成大部分工作。DL由被称为人工神经网络（artificial neural networks ，简称ANNs）的数学模型提供动力。这些网络试图模仿人脑中自然发生的过程——比如决策和模式识别。

ML和DL的主要区别

深度学习和其他形式的机器学习的最大区别之一是机器被提供的“监督”水平。在不太复杂的ML形式中，计算机可能会参与监督学习——通过这一过程，人类帮助机器识别标记的结构化数据中的模式，从而提高其进行预测分析的能力。

机器学习依赖于大量的“训练数据”。这种数据通常是由人类通过数据标签汇编的（他们当中许多人的报酬不是很高）。在这个过程中建立了一个训练数据集，然后可以将其输入人工智能算法，并用于教会它识别模式。例如，如果一家公司正在训练一种算法来识别照片中的特定品牌的汽车，它将向算法提供由人类工作人员手动标记的该汽车模型的大量照片。一旦机器得到训练，还会创建一个“测试数据集”来测量机器预测能力的准确性。

与此同时，当涉及到DL时，机器参与了一个叫做“无监督学习”的过程。无监督学习涉及机器使用其神经网络来识别所谓的非结构化或“原始”数据中的模式，这些数据是尚未被标记或组织到数据库中的数据。公司可以使用自动化算法来筛选大量无组织的数据，从而避免大量的人工劳动。

神经网络如何工作

人工神经网络由所谓的“节点”组成。根据麻省理工学院的说法，一个人工神经网络可以有“数千甚至数百万”个节点。这些节点可能有点复杂，但简单的解释是，它们就像人脑中的节点一样，可以传递和处理信息。在神经网络中，节点以一种被称为“层”的有组织的形式排列。因此，“深度”学习网络涉及多层节点。信息在网络中移动，并与其各种环境相互作用，这有助于机器在受到人类提示时完成决策过程。

人工神经网络中的另一个关键概念是“权重”，一位评论员将其比作人脑中的突触。权重只是数值，分布在人工智能的神经网络中，帮助确定人工智能系统最终输出的结果。权重帮助校准神经网络的信息输入，以便它能够做出决策。麻省理工学院对神经网络的深入研究是这样解释的：

节点将为每个传入的连接分配一个称为“权重”的数字。当网络处于活动状态时，节点通过其每个连接接收不同的数据项（不同的数字），并将其乘以相关的权重。然后将得到的乘积相加，得到一个数字。如果该数字低于阈值，则节点不会向下一层传递任何数据。如果数字超过阈值，节点就会“触发”，在今天的神经网络中，这通常意味着沿着其所有传出连接发送数字——加权输入的总和。

简而言之：神经网络的结构是为了帮助算法对输入给它的数据得出自己的结论。基于其编程，该算法可以在大量数据中识别有用的联系，帮助人类根据其分析得出自己的结论。

为什么机器学习对AI开发很重要？

机器学习和深度学习有助于训练机器预测和解释，这些活动以前只有人类能做到。这可能有很多好处，但明显的缺点是，这些机器可能（老实说，将会）不可避免地被用于不仅仅是有益的东西，还有可能被邪恶地使用。人们可能将它用于政府和私人监控系统，也会用于军事和国防活动的持续自动化。但是，很明显，它们对消费者建议或编码也很有用，最好的情况是，对医疗和健康研究也很有用。像任何其他工具一样，人工智能对世界的影响是好是坏很大程度上取决于谁在使用它。