人工智能VS机学习：有什么区别？

人工智能和机器学习在过去几年中，在技术产业中被抛出的条款是在技术产业中抛出的术语，但他们究竟是什么意思？任何含糊不清的科学过处熟悉的人都会有一个关于AI的想法，尽管他们可能会像今天那样看待它。

这两个术语通常是混淆的，不正确，互换，特别是通过营销部门来互动，尤其是要使他们的技术声音复杂的营销部门。事实上，人工智能和机器学习是非常不同的事情，对计算机可以做的以及他们如何与我们互动的影响非常不同。

它从神经网络开始

机器学习是计算范式，导致“大数据”和AI的增长。这是基于神经网络的发展和深度学习。通常，这被描述为人类学会的方式，但这是一个错误的错误。机器学习实际上涉及统计分析和迭代学习。

任何特定神经网络的性质都可以非常复杂，但它们函数的关键是应用重量（或重要性的因素）到输入的某些属性。使用各种权重和层的网络，可以产生输入与一个或多个定义的输出匹配的概率或估计。

这种类型的计算问题，就像定期编程一样，这是对人类程序员如何设置它的依赖性，并重新调整所有这些重量以改进输出精度可能需要太多人 - 小时即可。一旦介绍了校正反馈回路，神经网络转换到机器学习领域。

进入机器学习

通过监控输出，将其与输入进行比较，逐渐调整神经元权重，网络可以训练自己以提高准确性。这里的重要部分是机器学习算法能够在没有编程器的情况下学习和行动，该程序员指定数据集内的每种可能性。您不必预先定义花卉可以寻找机器学习算法的所有可能的方式来弄清楚花看起来像什么。

培训网络可以以多种不同的方式完成，但所有这些都涉及蛮力迭代方法来最大限度地提高输出精度并通过网络训练最佳路径。然而，这种自我训练仍然是一种比手工优化算法更有效的过程，并且它使算法能够以比其他方式更快地移动和排序的数量更大的数据。

曾经培训，机器学习算法能够在实时以极高的速度和准确度将全新的全新输入全新输入。这使其成为计算机愿景，语音识别，语言处理以及科学研究项目的基本技术。神经网络目前是深入学习最受欢迎的方式，但还有其他方法可以实现机器学习，尽管上述方法是目前我们拥有的最佳方法。你可以了解更多关于机器学习如何在这里工作。

什么，不是

机器学习是一种聪明的加工技术，但它没有任何真正的智慧。算法不必准确地了解它为什么自我纠正，只有在将来如何更准确。但是，一旦学习算法，它就可以在实际似乎拥有智能的系统中使用它。定义人工智能的好方法将是机器学习的应用，以令人信服地互动或模仿人类。

一种机器学习算法，可以通过图像数据库筛选，并识别图片中的主要对象并不真正聪明，因为它不是以人类的方式应用该信息。在具有摄像机和扬声器的系统中实现相同的算法，可以检测放置在其前面的物体并实时讲话突然似乎更智能。即使是越来越多，如果它能够讲述健康和不健康的食物之间的区别，或者将日常物体与武器区分开来。

人工智能可以分为两个主要群体，应用或一般。应用人工智能现在更加可行。它与上面的机器学习示例更密切地绑定，旨在执行特定的任务。这可能是智能城市交易股，交通管理，或帮助诊断患者。智能的任务或领域有限，但应用学习仍有范围来提高AI的表现。

一般人工智能是，众所周知，更广泛和更有能力。它能够处理更广泛的任务，了解几乎任何数据集，因此似乎更广泛地思考，就像人类一样。理论上，AI将能够在其原始知识集之外学习，可能导致其能力的失控增长。有趣的是，第一台机器学习发现反映了大脑如何发展和人们学习的想法。

作为更大复杂系统的一部分，机器学习对于实现能够执行与人类智力的特征和可比性的软件和机器至关重要 - 非常多于AI的定义。

现在并进入未来

尽管所有营销术语和技术谈话，但都是机器学习和人工智能应用已经在这里。我们仍然有一种方式与普通的AI一起生活，但如果您一直在使用Google Assistant或Amazon Alexa，您已经与Apply Ai的形式进行交互。用于语言处理的机器学习是当今智能设备的关键推动因素之一，尽管它们肯定不是智能，以回答您的所有问题。

智能家庭只是最新用例。现在，机器学习已经在大数据的领域中使用了一段时间，但这些用例也越来越侵入了AI领域。谷歌为其搜索引擎工具使用它。Facebook将其用于广告优化。您的银行可能会用于欺诈预防。

机器学习与人工智能之间存在巨大差异，尽管前者是后者的一个非常重要的组成部分。在2018年及以后，我们几乎我们肯定会继续听到大量谈论。