简单读懂人工智能：机器学习与深度学习是什么关系

么关系本文章来自于阿里云云栖社区本文章来自于阿里云云栖社区摘要：引言：随着AlphaGoAlphaGo战胜李世石，人工智能和深度学习这些概念已经成为一个手，依次介绍这些领域的基本概念以及解决领域内问题的主要思路。本文选自《Tensorflow：实战Google深度学习框架》。（specificdomain），在这些特定环境下，计算机需要了解的知识很容易被严格并且完整地定义。例如，IBM的深蓝（DeepBlue）1997年打败了国际象棋冠军卡斯算机只需要了解每一个棋子规定的行动范围和行动方法即可。虽然计算机早在199720现大部分成年人都可以完成的汽车驾驶却仍然依旧十分困难。为了使计算机更多地掌握开放环境domain）WordNetWordNet是由普林斯顿大学（PrincetonUniversity）GeorgeArmitageMillerChristianeFellbaum155287117659个近义词集比如同义词集“狗”属于同义词集“犬科动物”，他们之间存在种属关系（hypernyms/hyponyms）。除了WordNet，也有不少研究人员尝试将Wikipedia中的知识整理成知识图库。谷歌的知识图库就是基于Wikipedia创建的。让计算机可以跟人类一样从历史的经验中获取新的知识呢？这就是机器学习需要解决的问题。卡内基梅隆大学MellonTomMichaelMitchell1997MachineLearning中对机器学习进行过非常专业的定义，这个定义在学术界内被多次引用。在这本书中对机器学习的定义为“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”。通过垃圾邮件分类的问题来解释机器学习的定义。在垃圾邮件分类问题中，“一个程序”指的是需要用到的机器学习算法，比如逻辑回归算法；“任务T”是指区分垃圾邮件的任务；“经验E”为已经区分过是否为垃圾邮件的历史邮件，在监督式机器学习问题中，这也被称之为训练数据；“效果P”为机器学习算法在区分是否为垃圾邮件任务上的正确率。件人的长度，等等。每一个因素被称之为一个特征（feature）。逻辑回归算法到的每一个特征以及这些特征和垃圾邮件的相关度来判断这封邮件是否为垃圾邮件。经验E）提高在垃圾邮件分类问题（任务T）上的正确率（效果P）Excel不同的数据表达对使用直线划分不同颜色结点的难度影响如果通过笛卡尔坐标系（cartesiancoordinates）来表示数据，那么不同颜色的结（polar90%。“图片中是否出现了轮子”这个既然人工的方式无法很好地抽取实体中的特征，那么是否有自动的方式呢？传统机器学习和深度学习流程对比一步权重学习变得更加简单且有效。深度学习在图像分类问题上的算法流程样例条、边、角、简单形状、复杂形状等更加有效的复杂特征。虽然深度学习领域的研究人员相比其他机器学习领域更多地受到了大脑工neuroscience）它们之间的关系。人工智能、机器学习以及深度学习之间的关系图GoodfellowI,BengioY,CourvilleA.Deeplearning[M].MITPress,2016.MitchellTM,CarbonellJG,MichalskiRS.MachineLearning[M].McGraw-Hill,2003.本文选自《Tensorflow：实战Google深度学习框架》，点此链接可在博文视点官网查看此书（原文链接：HYPERLINK"/book/111?spm=