Разница между искусственным интеллектом, машинным обучением и глубоким обучением
Искусственный интеллект: Искусственный интеллект - это, по сути, механизм включения человеческого интеллекта в машины с помощью набора правил (алгоритмов). ИИ - это комбинация двух слов: «искусственный», означающий что-то, созданное людьми или неестественными вещами, и «интеллект», означающий способность понимать или думать соответственно. Другое определение может заключаться в том, что «ИИ - это в основном изучение обучения вашей машины (компьютеров) имитации человеческого мозга и его мыслительных способностей» . ИИ фокусируется на трех основных аспектах (навыках): обучении, рассуждении и самокоррекции для достижения максимальной эффективности.
Машинное обучение: Машинное обучение - это в основном исследование / процесс, который позволяет системе (компьютеру) автоматически учиться самостоятельно на основе полученного опыта и соответственно улучшаться без явного программирования. ML - это приложение или подмножество AI. ML фокусируется на разработке программ, чтобы иметь доступ к данным и использовать их для себя. Весь процесс наблюдает за данными, чтобы определить возможные формирующиеся закономерности и принять более правильные решения в будущем в соответствии с предоставленными им примерами. Основная цель машинного обучения - позволить системам учиться на собственном опыте без какого-либо вмешательства или помощи человека.
Глубокое обучение: Глубокое обучение - это, по сути, часть более широкого семейства машинного обучения, которое использует нейронные сети (похожие на нейроны, работающие в нашем мозгу) для имитации поведения человеческого мозга. Алгоритмы DL сосредоточены на механизме шаблонов обработки информации , чтобы, возможно, идентифицировать шаблоны так же, как это делает наш человеческий мозг, и соответствующим образом классифицировать информацию. DL работает с большими наборами данных по сравнению с ML, а механизм прогнозирования управляется машинами самостоятельно .
Ниже приведена таблица различий между искусственным интеллектом, машинным обучением и глубоким обучением:
| Искусственный интеллект | Машинное обучение | Глубокое обучение |
|---|---|---|
| AI расшифровывается как искусственный интеллект, и в основном это исследование / процесс, который позволяет машинам имитировать человеческое поведение с помощью определенного алгоритма. | Машинное обучение (машинное обучение) - это исследование, в котором используются статистические методы, позволяющие машинам совершенствоваться с приобретением опыта. | DL расшифровывается как Deep Learning и представляет собой исследование, в котором используются нейронные сети (похожие на нейроны, присутствующие в человеческом мозге) для имитации функциональности, как у человеческого мозга. |
| AI - это более широкое семейство, состоящее из ML и DL как компонентов. | ML - это подмножество AI. | DL - это подмножество ML. |
| AI - это компьютерный алгоритм, который проявляет интеллект посредством принятия решений. | ML - это алгоритм ИИ, который позволяет системе учиться на данных. | DL - это алгоритм машинного обучения, который использует глубокие (более одного уровня) нейронные сети для анализа данных и соответствующего вывода. |
| В ИИ задействованы деревья поиска и очень сложная математика. | Если у вас есть четкое представление о логике (математике), задействованной в основе, и вы можете визуализировать сложные функции, такие как K-Mean, Support Vector Machines и т. Д., То это определяет аспект ML. | Если вы понимаете математику, участвующую в этом, но не имеете представления о функциях, поэтому вы разбиваете сложные функции на линейные / более низкоразмерные функции, добавляя больше слоев, тогда это определяет аспект DL. |
| Цель состоит в том, чтобы увеличить шансы на успех, а не на точность. | Цель состоит в том, чтобы повысить точность, не обращая особого внимания на коэффициент успешности. | Он достигает наивысшего ранга с точки зрения точности при обучении с большим объемом данных. |
| Три широких категории / типа ИИ: искусственный узкий интеллект (ANI), общий искусственный интеллект (AGI) и искусственный суперинтеллект (ASI). | Три широких категории / типа машинного обучения: обучение с учителем, обучение без учителя и обучение с подкреплением. | DL можно рассматривать как нейронные сети с большим количеством уровней параметров, лежащих в одной из четырех основных сетевых архитектур: неконтролируемые предварительно обученные сети, сверточные нейронные сети, рекуррентные нейронные сети и рекурсивные нейронные сети. |
| Эффективность AI - это в основном эффективность, обеспечиваемая ML и DL соответственно. | Менее эффективен, чем DL, поскольку он не может работать с более длинными измерениями или большим объемом данных. | Более мощный, чем ML, поскольку он может легко работать с большими наборами данных. |
| Примеры приложений искусственного интеллекта включают: прогнозы Google на основе искусственного интеллекта, приложения для совместной работы, такие как Uber и Lyft, коммерческие рейсы с использованием автопилота искусственного интеллекта и т. Д. | Примеры приложений машинного обучения: виртуальные личные помощники: Siri, Alexa, Google и т. Д., Фильтрация спама по электронной почте и вредоносного ПО. | Примеры приложений DL включают: агрегирование новостей на основе настроений, анализ изображений и создание подписей и т. Д. |