計類-API：為您的應(yīng)用程序賦予強(qiáng)大的設(shè)計能力.png)
設(shè)計類API：為您的應(yīng)用程序賦予強(qiáng)大的設(shè)計能力
微信截圖_1735107118647.png)
機(jī)器學(xué)習(xí)是人工智能的一個子集，可以進(jìn)行優(yōu)化。如果設(shè)置得當(dāng)，它可以幫助你進(jìn)行預(yù)測，最大限度地減少僅憑猜測而產(chǎn)生的錯誤。例如，亞馬遜等公司利用機(jī)器學(xué)習(xí)，根據(jù)特定客戶之前查看和購買過的產(chǎn)品向其推薦產(chǎn)品。
經(jīng)典或 “非深度 “機(jī)器學(xué)習(xí)依賴于人工干預(yù)，使計算機(jī)系統(tǒng)能夠識別模式、學(xué)習(xí)、執(zhí)行特定任務(wù)并提供準(zhǔn)確結(jié)果。人類專家決定特征的層次結(jié)構(gòu)，以了解數(shù)據(jù)輸入之間的差異，通常需要更多的結(jié)構(gòu)化數(shù)據(jù)來學(xué)習(xí)。
例如，假設(shè)我向你展示了一系列不同類型快餐的圖片–“披薩”、”漢堡 “和 “玉米卷”。人類專家在處理這些圖片時，會判斷出每張圖片區(qū)別于特定快餐類型的特征。每種食品中的面包可能就是一個區(qū)分特征。或者，他們也可以使用標(biāo)簽，如 “披薩”、”漢堡 “或 “玉米卷”，通過監(jiān)督學(xué)習(xí)來簡化學(xué)習(xí)過程。
雖然被稱為深度機(jī)器學(xué)習(xí)的人工智能子集可以在監(jiān)督學(xué)習(xí)中利用標(biāo)簽數(shù)據(jù)集為算法提供信息，但它并不一定需要標(biāo)簽數(shù)據(jù)集。它可以攝取原始形式的非結(jié)構(gòu)化數(shù)據(jù)（如文本、圖像），并能自動確定將 “披薩”、”漢堡 “和 “玉米卷 “區(qū)分開來的特征集。隨著我們產(chǎn)生更多的大數(shù)據(jù)，數(shù)據(jù)科學(xué)家將使用更多的機(jī)器學(xué)習(xí)。如需深入了解這些方法之間的差異，請參閱《監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)》（Supervised vs. Unsupervised Learning）：有什么區(qū)別？
機(jī)器學(xué)習(xí)的第三類是強(qiáng)化學(xué)習(xí)，即計算機(jī)通過與周圍環(huán)境互動并獲得行動反饋（獎勵或懲罰）來學(xué)習(xí)。在線學(xué)習(xí)是一種 ML，數(shù)據(jù)科學(xué)家會在獲得新數(shù)據(jù)時更新 ML 模型。
正如我們關(guān)于深度學(xué)習(xí)的文章所述，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個子集。機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別在于每種算法如何學(xué)習(xí)，以及每種算法使用多少數(shù)據(jù)。
深度學(xué)習(xí)能自動完成大部分特征提取工作，從而省去了部分人工干預(yù)。它還能使用大型數(shù)據(jù)集，因此被稱為可擴(kuò)展的機(jī)器學(xué)習(xí)。當(dāng)我們進(jìn)一步探索非結(jié)構(gòu)化數(shù)據(jù)的使用時，這種能力令人興奮，特別是因為據(jù)估計，一個組織 80% 以上的數(shù)據(jù)都是非結(jié)構(gòu)化的。
觀察數(shù)據(jù)中的模式可以讓深度學(xué)習(xí)模型對輸入進(jìn)行適當(dāng)?shù)木垲悺Ｒ郧懊娴睦訛槔覀兛梢愿鶕?jù)圖像中的相似點(diǎn)或不同點(diǎn)，將披薩、漢堡和墨西哥卷餅的圖片歸入各自的類別。深度學(xué)習(xí)模型需要更多的數(shù)據(jù)點(diǎn)來提高準(zhǔn)確性，而機(jī)器學(xué)習(xí)模型由于其底層數(shù)據(jù)結(jié)構(gòu)，所依賴的數(shù)據(jù)更少。企業(yè)通常將深度學(xué)習(xí)用于更復(fù)雜的任務(wù)，如虛擬助手或欺詐檢測。
機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別常見問題FAQ
神經(jīng)網(wǎng)絡(luò)，也稱為人工神經(jīng)網(wǎng)絡(luò)（ANN）或模擬神經(jīng)網(wǎng)絡(luò)（SNN），是機(jī)器學(xué)習(xí)的一個子集，也是深度學(xué)習(xí)算法的支柱。它們之所以被稱為 “神經(jīng) “網(wǎng)絡(luò)，是因為它們模仿了大腦神經(jīng)元相互傳遞信號的方式。
神經(jīng)網(wǎng)絡(luò)由節(jié)點(diǎn)層（一個輸入層、一個或多個隱藏層和一個輸出層）組成。每個節(jié)點(diǎn)都是連接下一個節(jié)點(diǎn)的人工神經(jīng)元，每個節(jié)點(diǎn)都有權(quán)重和閾值。當(dāng)一個節(jié)點(diǎn)的輸出高于閾值時，該節(jié)點(diǎn)就會被激活，并將數(shù)據(jù)發(fā)送到網(wǎng)絡(luò)的下一層。如果低于閾值，則沒有數(shù)據(jù)傳輸。
訓(xùn)練數(shù)據(jù)可以教導(dǎo)神經(jīng)網(wǎng)絡(luò)，并有助于隨著時間的推移提高其準(zhǔn)確性。一旦對學(xué)習(xí)算法進(jìn)行了微調(diào)，它們就會成為強(qiáng)大的計算機(jī)科學(xué)和人工智能工具，因為它們能讓我們快速對數(shù)據(jù)進(jìn)行分類和聚類。利用神經(jīng)網(wǎng)絡(luò)，語音和圖像識別任務(wù)可以在幾分鐘內(nèi)完成，而不是像人工識別那樣需要幾個小時。谷歌的搜索算法就是神經(jīng)網(wǎng)絡(luò)的一個著名例子。
了解了機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別之后，我們再來了解下深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的區(qū)別，如上文對神經(jīng)網(wǎng)絡(luò)的解釋所述，但值得更明確地指出的是，深度學(xué)習(xí)中的 “深度 “指的是神經(jīng)網(wǎng)絡(luò)的層深度。包括輸入和輸出在內(nèi)，層數(shù)超過三層的神經(jīng)網(wǎng)絡(luò)可視為深度學(xué)習(xí)算法。這可以用下圖來表示：
大多數(shù)深度神經(jīng)網(wǎng)絡(luò)都是前饋式的，這意味著它們只能從輸入向輸出單向流動。不過，您也可以通過反向傳播來訓(xùn)練模型，即從輸出到輸入的反向傳播。通過反向傳播，我們可以計算和歸因與每個神經(jīng)元相關(guān)的誤差，從而對算法進(jìn)行適當(dāng)?shù)恼{(diào)整和調(diào)整。
雖然所有這些人工智能領(lǐng)域都能幫助您簡化業(yè)務(wù)領(lǐng)域并改善客戶體驗，但實(shí)現(xiàn)人工智能目標(biāo)可能具有挑戰(zhàn)性，因為您首先需要確保擁有正確的系統(tǒng)來構(gòu)建學(xué)習(xí)算法并管理數(shù)據(jù)。數(shù)據(jù)管理不僅僅是建立業(yè)務(wù)模型。在開始構(gòu)建任何東西之前，您需要一個存儲數(shù)據(jù)的地方以及清理數(shù)據(jù)和控制偏差的機(jī)制。
在 IBM，我們正在將機(jī)器學(xué)習(xí)和人工智能的力量結(jié)合到我們用于基礎(chǔ)模型、生成式人工智能和機(jī)器學(xué)習(xí)的新工作室 watsonx.ai。
原文鏈接：AI vs. Machine Learning vs. Deep Learning vs. Neural Networks: What’s the difference?
對工作挑戰(zhàn).png)
化vs粒度粗化.png)
API.png)
.png)
網(wǎng)生態(tài)系統(tǒng)的關(guān)鍵.png)