new post

source/_posts/ai-ml-nn-and-dl.md

@@ -0,0 +1,83 @@
+title: AI, ML, NNs 和 DL 的关系
+date: 2024-05-12 02:12:36
+tags:
+
+- AI
+
+---
+
+# AI, ML, NNs 和 DL 的关系
+
+![AI,ML,NNs and DL - Relationship Diagram](http://img.zvz.im/202405101711131.png)
+
+## 不是所有的神经网络都是深度学习模型
+
+你可能经常听到以下这些术语：人工智能（AI），机器学习（ML），神经网络（NNs）和深度学习（DL）。它们都在我的写作主题范围内。关于这些主题，我已经发布了超过一百篇文章。
+
+今天，我们要讨论一下 AI，ML，NNs 和 DL 彼此之间的关系。
+
+<!--more-->
+
+通过最上面的示意图，我们可以作出以下陈述：
+
+* AI 是一个很宽泛的领域。ML，NNs 和 DL 都是 AI 的子集。
+* NNs 和 DL 是 ML 的特定领域。在学习 NNs 和 DL 之前你最好先熟悉一般的机器学习技术。
+* 并不是所有的神经网络都是深度学习模型。
+
+让我接下来详细仔细解释每一个术语。
+
+## 人工智能（AI）
+
+AI 是一种先进技术可以让机器和系统获得智能和预言能力。AI 系统可以从过于的经验或者我们提供的数据中学习。机器学习（ML）和深度学习（DL）是 AI 研究的两个主要方向。今天，我们可以找到错综复杂的 AI 系统。但是，它们中的绝大多数都无法和人脑的自然智能相提并论。
+
+## 机器学习（ML）
+
+ML 是指在无显式编码下计算机从数据中学习的能力。它可用于区分机器学习和传统编程。
+
+在传统编程中，程序员写入显式规则来定义程序应该如何在计算机或机器上工作。但是在机器学习中，模型是从数据中学习到规则的。我们不需要显式地写出这些规则。不过，我们还是需要写代码来构建这个机器学习模型。
+
+在训练机器学习模型时，它应从数据中学习。它不应该记忆数据。从数据中学习时，机器学习模型能够发现数据中隐藏的模式，或对训练中未使用的新数据做出准确预测。如果机器学习模型记忆数据，而不是学习数据中的模式，那么它就无法泛化新的输入数据。在这种情况下，模型往往会出现过拟合--这是我们在训练过程中应该避免的问题。
+
+机器学习可以分为三大类：
+
+* **监督学习**：在监督学习中，机器学习模型使用已打标数据进行训练。我们需要提供数据样本（称为 **X**）和标签（称为 **y**）作为输入。监督学习算法的目标是找到一个函数 **f(θ)**，使其能够能更准确地将 **X** 映射到 **y**。在训练期间从数据中学到的模型参数会以使目标函数最小化的方式更新。监督模型预测出的结果会与真实值（ground truth）进行比较。有类监督学习模型 — **回归**和**分类**。回归模型预测连续值，而分类模型预测离散值（类别或分类）。线性回归、逻辑回归、支持向量机、决策树、随机森林、XGBoost、CatBoost是一些常用的监督学习算法。
+* **无监督学习**：在无监督学习中，机器学习模型使用未打标的数据进行训练。我们只提供数据样本（称为 **X**）作为输入。无监督学习的目标是发现数据中的隐藏模式、结构和关系。**聚类**和**降维**是无监督学习的两种主要类型。聚类在数据中找到分组，而降维减少了数据的维度（变量的数量）。
+* **强化学习**：在强化学习中，算法与环境互动以学习解决问题的策略。只需要一个奖励系统，而没有像监督学习中的错误计算过程。它的目标是开发一个可以从环境互动中学习的系统。这种类型的学习通常用于游戏（例如国际象棋）、机器人技术和导航系统。
+
+## 神经网络（NNs）和深度学习（DL）
+
+我们经常交替使用这俩个术语，因为神经网络（NNs）和深度学习（DL）之间只有很小的区别。神经网络（通常称为人工神经网络-ANNs）受到人脑的启发，它是通过将多个人工神经元（感知器）堆叠在一起形成的。
+
+神经网络的深度由其隐藏层的数量定义。没有隐藏层或只有一个隐藏层的ANN被称为浅层神经网络。具有两个或更多隐藏层的ANN被称为深度神经网络。训练（学习）深度神经网络的过程被称为深度学习。深度学习中的“深度”一词指的是网络中隐藏层的数量（深度）。
+
+深度学习是神经网络（NNs）的一个子集。这是因为我们不将训练浅层神经网络的过程视为深度学习。
+
+我们经常训练具有两个以上隐藏层的神经网络。没有隐藏层或只有一个隐藏层的ANN没有足够的能力学习数据中的复杂关系。它们非常接近于一般的机器学习模型。例如，[我们可以将逻辑回归视为一个没有隐藏层的非常简单的神经网络模型](https://rukshanpramoditha.medium.com/logistic-regression-as-a-very-simple-neural-network-model-923d366d5a94)。
+
+深度神经网络有一些共同特征。由于这些特征，深度学习与机器学习不同。
+
+* 深度神经网络需要大量的数据才能实现高表现。在数据量较少的情况下，它们甚至无法击败一般的机器学习算法。
+* 它们能够学习数据中的复杂关系。
+* 它们需要大量的计算资源来训练。
+* 准确度高。
+* 它们是黑盒模型。深度学习算法不容易解释。
+* 深度神经网络需要更多的时间来训练。
+* 深度神经网络可以从大型数据集中自动提取特征。这是深度学习相较于机器学习的一个巨大优势。
+
+## 总结
+
+
+人工智能被视为一种新型的“电力”，它将我们的生活转变为一个完全不同的模式。得益于AI，我们有了自动驾驶汽车、AI医疗保健系统、语音识别系统、图像处理系统、推荐系统等。它们定义了我们的生活方式和商业模式。
+
+机器学习（ML）和深度学习（DL）是AI两个最重要的方面。由于智能设备的存在，每一秒都会产生惊人的数据量。与此同时，随着技术的进步，计算资源的成本在降低。这些因素共同为开发机器学习和深度学习系统提供了关键。
+
+ML 和 DL 系统可以将数据转化为信息，将信息转化为知识。在人类的监督下，信息和知识可以被转化为可执行的洞察力，这些洞察力被实施于现实世界的商业问题中。
+
+数据 → 信息 → 知识 → 可执行的洞察力
+
+这就是今天文章的结尾。如果您对本文有任何疑问，请在评论区告诉我。
+
+
+
+翻译自：[The Relationship between AI, ML, NNs and DL](https://medium.com/data-science-365/the-relationship-between-ai-ml-nns-and-dl-60bd40069908)
+