lq920320/blogs

2017/12/10--翻译:深度学习,机器学习以及AI之间的不同

lq920320 opened this issue · 0 comments

原文地址:https://www.forbes.com/sites/bernardmarr/2016/12/08/what-is-the-difference-between-deep-learning-machine-learning-and-ai/#7efff20626cf

在过去的几年里,当有了关于人工智能(AI),大数据以及分析学的讨论之后,术语“深度学习”已然进入了商业语言的范畴。而且有充分的理由——这是通往AI的道路,而人工智能在开发使许多行业发生革命性变化的自主自学系统方面显现出巨大的前景。

谷歌的语音识别和图像识别算法,Netflix 和亚马逊针对你接下来想看的或者想买的决策上,以及MIT的研究员预测未来上,都用到了深度学习。一直以来,销售这些工具的不断增长的行业总是热衷于谈论其如何带来的革命。

在上一篇文章中我写了和关于AI和机器学习的不同之处。而机器学习经常被认为是人工智能的子学科,比较好的观点是,把它作为人工智能目前最先进的一个领域,如今正在为各个行业以及社会可以用来驱动变革的工具展示着最大的潜能。

那么接下来,可能对理解深度学习是前沿(技术)的前沿非常有帮助。ML涉及到几个人工智能核心的创意并集中于如何用这些创意,通过模仿人类自己决策的神经网络来解决现实世界中的问题。深度学习则是对机器学习工具及技术的较小子范畴更为专注,并把它们应用于解决一切需要“思考”的问题——无论是人类去思考还是人工去思考。

它是怎么工作的?

实质上深度学习意味着要给计算机系统“补给”大量数据,用以对其他数据做出决策。这类数据通过神经网络提供,就像机器学习的案例一样。这些逻辑网络对每一位通过的数据或问一系列的是非问题,或提取数字值,然后根据得到的答案进行分类。
Shutterstock

因为深度学习专注于发展这些网络,它们便以深度神经网络(Deep Neural Networks)为人所知,逻辑网络的复杂性在于需要解决对大量级数据集的处理,比如谷歌的图片库,或者推特的推文流水量。

类似于此巨大的数据集,以及足够复杂的逻辑网络来解决它们的分类问题,故对于计算机来说,将其表示的图像和状态以很高的准确率呈现给人类是微不足道的。

图片是来说明工作原理的很好的例子,因为它们包含很多不同的元素,并且掌握一台计算机如何用它的单轨、专注计算的内核学习像人类那样理解这些图片,对我们来说并非易事。但是深度学习可以应用于任何数据格式——机器信号,音频,视频,口语,书面语——并且非常非常快地得出和人类相似的结论。让我们看一个实际的例子。

一个系统用以自动记录和报告某个特定车型的汽车在某条公路上有多少辆驶过。首先,会给它提供访问某个庞大的汽车类型数据库的权限,包括它们的外形,尺寸,甚至是引擎的声音。这(数据)可以手动编写,或者更为高级的情况,如果系统被编程为搜索互联网,那么就能自动收集,并提取其找到的数据。

接下来它会取一些需要处理的数据——真实世界的数据,其中包含各种视角,在这种情况下就要通过路边摄像头和麦克风来计算。通过对比从它的传感器得到数据和“学习”获得的数据,它可以根据驶过车辆的牌子和型号进行分类,而且具有一定准确性。

到目前为止都是非常简单的。“深度”在何处体现呢?系统随着时间的推移,它会获取更多经验,可以提升准确分类的概率,通过得到的新数据来“训练”自己。换句话说,它也可以像我们一样从错误中学习。比如,它不能根据一些车辆相似的外形和引擎声正确地判断它们的牌子和型号,忽略了另一个差异因素,它认为对决策的重要性很低。通过了解这个区别对于理解两辆车之间的差异是至关重要的,这会提高下一次得到正确结果的可能性。

那么深度学习能做什么呢?

可能结束这篇文章最好的方式便是给出为何有如此多的突破,然后给出更多的在当今如何使用深度学习的例子。一些优秀的应用正在投入使用或者正在工作,包括:

自动驾驶汽车的导航。利用传感器和板载分析,汽车适当地运用机器学习来学习识别障碍并对其作出反应。

给图像褪色。通过让计算机分辨物体以及了解它们在人类眼中的样子,图片和视频可以被计算机转成黑白的。

预测法律程序的结果。一个由英美研究人员开发的系统最近被证明,当为其提供案子的一些基本事实之后,该系统可以正确地预测法庭的判决。

精准医学。深度学习正被用于开发适合个体基因组的药物。

自动分析报告。系统可以分析数据并且用人类的自然语言提供意见报告,并提供我们可以轻易理解的图表。

打游戏。深度学习系统曾被教授打(然后赢得)游戏,比如棋盘游戏GO,和Atari的电子游戏Breakout

当讨论(尤其是,出售)这些前沿技术的时候,很容易因为经常使用的炒作和夸张而得意忘形。但事实上,都是应该的。因为听到数据科学家谈论他们拥有的工具和技术并不常见,他们也不希望这么快出现看到这一景象,并且很多都是归功于机器学习和深度学习所取得的进步。