关于人工智能的基本事实

人工智能 vs. 机器学习

人工智能（AI）

• 任何人为复制人类认知特征的软件
• 非常宽泛的术语，涵盖了从非常简单的技术（例如Google地图）到非常复杂但尚未开发的模型（例如像我们这样的机器思维）

机器学习（ML）

• AI方法子集
• 使用未明确为特定数据设计的算法进行插值
• 计算根据输入的训练数据而变化（“学习”）
• 用于特定的狭义问题

神经网络和深度学习是机器学习的工具

机器学习原理

当我们想要构建一个可以给我们行动或结论的软件时

例如：

• 图像分类
• 声音识别
• 在监控过程中检测到错误
• 数字被“翻译回”人类可以理解的语言

数据类型

• 图片
• 声音
• 化学描述符
• 设备参数
• 任何其他类型的信号
• 最后，对于软件来说，任何数据都会变成一系列数字，可以进一步计算：

输入数据准备的2种主要方法：

• 如果我们知道哪些功能很重要，以及我们希望在数据中观察到什么，则可以将数据（监督学习）标记为将输入与输出相连，并将其用于培训和测试
  • 在这种情况下，我们想创建一个模型来预测数据输出并尽可能减少错误
• 如果我们希望在不提出假设的情况下查看模式，则不会标记（无监督学习）
  • 数据挖掘，无需先验假设即可搜索模式

构建表示

• 这是软件根据培训数据计算浏览数据并解释数据的一种方式
• 使用训练和测试数据执行算法的训练和测试，以优化软件中数据的表示方式
• •使用我们凭经验知道结果的另一个数据集验证模型。我们将模型预测的数据与经验数据进行比较。

使用表示

• 优化软件后，便可以将其用于新的，即将到来的数据

最终行为或结论将转换回人类可以理解的格式

超越有监督和无监督的学习……

有时我们没有静态数据，但是不断变化的环境需要交互。

这给我们带来了第三种类型的机器学习，即强化学习。