深度学习与人工智能的那些关系

人工智能是计算机科学的一个分支，它试图了解智能的本质，并产生一种新的智能机器，它可以类似于人类智能的反应方式。 该领域的研究包括机器人，语言识别，图像识别，自然语言处理和专家系统。

神经网络是一组算法以模仿人类大脑结构通常被设计用于模式识别。神经网络可以通过使用机器感知系统解释传感器数据，能够对原始输入标记或聚类等操作，神经网络可以识别数字形式，因此，所有的数据真实世界图像，声音，文字，时间序列等必须被转换为数字。

在深度合作学习进行网络中，每一个节点层在前一层的基础上通过学习模式识别一组特定的特征， 随着神经网络深度的增加，节点可以识别的特征变得更加复杂，因为每个层都集成并重新组合了前一层的特征。

深度学习过程同样分为训练和推理（包括“评估”）两个过程。数据模型，通过训练过程中得到，然后用来评估新的数据。

数据分析模型主要分为以下两种，一种是所谓判别模型（Discriminative Model），也就是说模型我们可以进行直接用来判别事物的。这里对事物的判断，最典型的就是做分类。既然直接影响可以用来分类，也就是说我们可以在已知属性的条件下，对该记录进行分析判断。 所以，判别是对条件概率进行建模，即p(Y|X)..其中X是一组属性。它实际上是一个矢量;和Y可以是一个值（在此情况下对应于分类），可以是一个矢量（在这种情况下的相应的序列标注）。判别分析模型常用于进行处理技术分类管理问题（比如鉴定垃圾邮件）、图像识别等等。

然后再跟生成模型。生成模型分析可以进行描述数据的生成过程。 换句话说，有了这个模型，我们就可以生成模型的数据，数据由两个部分组成，即（X，Y），其中，前者是后者的类别是（Y是标量）或序列分类（Y是一个向量）。要描述整个数据，也就是我们要对p（X,Y）进行分析建模，所以是对联合概率问题进行建模，本身不生成模型类别或标记序列，但可用于解决这些问题，配方也可以被用来产生问题，诸如机器人AI构成这样的问题。

而机器学习可以分成下面几种类别：

监督学习从给定的训练数据主要集中学习出一个函数，当新的数据到来时，可以通过我们这个函数预测分析结果， 监督学习的训练集要求包括输入和输出，也可以说是特征和目标，训练数据的目的是人民标志。常见的监督学生学习算法主要包括回归结果分析和统计分类。

无监督学习和监督学习相比，训练集的结果是不是人为的标签。常见的无监督学生学习相关算法有聚类。

半监督学习介于监督学习和无监督学习之间。这主要是考虑如何使用标记样本量小，培训和分类问题大量未标记的样本。。

增强学习可以通过观察来做成如何的动作，每个动作都会对环境产生影响，学习对象，使反馈观察到周围环境的判断。

在传统的机器进行学习领域，监督学习中国最大的问题是训练数据标注成本比较高，而无监督学习技术应用范围有限， 半监督学习使用少量的训练样本和大量的未标记数据一直是机器学习的重点。

目前的想法是非常受欢迎的深入研究GAN模型和半监督学习的共同点，甘为“产生对抗网络”（创成对抗性的网络）的简称，包括发电机模型G的GAN的目标函数和判别模型d ，它是一种零和博弈上d和G，以及一个最小 - 最大化问题。

目前主流的深度学习框架:

Caffe 由Berkeley提出

TensorFlow 由Google提出 （Apache 2.0）

Torch （BSD License）, facebook是主要信息使用者

MXNet 一个相对中立的机器学习框架（Apache 2.0）, 被Amazon AWS使用

CNTK2 由Microsoft提出 （MIT License）

大概深度学习和人工智能之间的关系就是如此。

更多产品了解

欢迎扫码加入云巴巴企业数字化交流服务群

产品交流、问题咨询、专业测评

都在这里！