그러나,' 인공지능' 은 자신의 불이 아니다. 그는 또한' 기계 학습' 과' 심도 있는 학습' 이라는 두 명의 분리 할 수 없는 팀원이 있다. 이 세 단어는 천계 조합과 같이 여러 곳에 나타났고, 때로는 서로 화신하기도 했다. 그럼 문제가 생겼네요. 인공지능, 기계학습, 심도학습은 어떤 관계입니까? 그것들 사이의 관계와 차이점은 무엇입니까? 여기서는 개념을 분할하지 않고 인공지능의 발전부터 시작한다.
인공지능의 과거와 현재
1956 년 여름, 존 매카시, 마빈 민스키, 나사닐 로체스터, 클로드 향농을 비롯한 젊은 과학자들이 다트머스에 모여 기계 시뮬레이션 지능을 이용한 일련의 관련 문제를 연구하고 토론했다. 그 회의에서' 인공지능' 이라는 단어가 제기된 것도 신흥 학과' 인공지능' 의 공식 탄생을 상징한다.
당시 인공지능에 대한 연구는' 추리 시기' 에 있었고, 사람들은 기계에 논리적 추리 능력을 부여하면 기계가 지능을 갖게 된다고 생각했다. 당시의 연구는 확실히 약간의 성과를 거두었다. 예를 들면 많은 수학 정리를 증명했고, 어떤 정리는 수학자보다 더 교묘했다.
그러나 인간의 지능은 논리적 추리력뿐만 아니라 많은 경험과 지식에서도 나온다. 예를 들어, 만약 내가 비행기를 타본 적이 없고, 다른 사람에게 비행기 표를 사 준 적이 없다면, 네가 내일 북경으로 가는 비행기표가 얼마인지 물었을 때, 나는 어찌할 바를 몰랐을 것이고, 게다가 나는 여행도 몰랐기 때문에, 나는 그렇게' 총명하다' 는 것은 아니지만, 사실 나의 추리 능력은 떨어지지 않았다. 1970 년대부터 인공지능에 대한 연구는' 지식시대' 에 들어섰고, 사람들은 추리를 기초로 각 분야의 지식을 총결하여 기계에 들려주고 지능을 얻길 원했다. 당시 수많은 전문가 시스템 (추론과 판단에 사용할 수 있는 풍부한 전문 지식과 경험을 갖춘 프로그램 시스템, 인간 전문가의 의사 결정 과정을 시뮬레이션하는 데 사용 가능) 이 등장하여 많은 응용 분야에서 많은 성과를 거두었습니다.
그러나 사람들은 지식을 총결하여 기계에 가르치는 것은 매우 어렵다는 것을 곧 깨달았다. ('지식공학의 병목' 이라고 불림) 인간의 지식이 너무 많기 때문에 기계가 이해할 수 있는 형식으로 써야 하기 때문이다. 기계에 비교적 원시적인 데이터를 주고 기계가 스스로 공부하게 했으면 좋겠다. 그래서 1980 년대부터 기계 학습의 기술 노선이 인공지능 연구를 주도하고 있다.
기계 학습이란 무엇입니까?
기계 학습은 기계가 특정 방법 (알고리즘) 을 통해 알려진 경험 데이터 (샘플) 에서 검색 및 추출 (교육/학습) 하여 규칙 (모델) 을 만들어 내는 것으로 이해할 수 있습니다. 추출된 규칙은 알 수 없는 것 (예측) 을 판단하는 데 사용될 수 있다.
예를 들어, 우리는 1w 싱글왕 (알려진 샘플) 과 접촉하여 요약, 요약, 대비 (알고리즘) 를 통해 TA 들의 일부 * * 성특징을 찾은 다음, 이러한 * * 성특징을 독신왕을 판단하는 근거 (모델) 로 삼아 다음에 만날 수 있습니다
알려진 샘플 더미에서 법칙을 찾는다면, 법칙을 찾는 방식과 법칙의 형태도 사람마다 다를 수 있다. 즉 알고리즘과 모델이 다를 수 있다. 그래서 기계 학습 자체는 각기 다른 유파로 나뉘어 있으며, 각 유파는 대표적인 모델과 알고리즘을 가지고 있다. 기계 학습은 주로 기호 학습 (의사 결정 트리 모델 및 관련 알고리즘으로 표시), 연결주의 학습 (신경망 모델 및 관련 알고리즘으로 표시) 및 통계 학습 (지원 벡터 머신 및 관련 알고리즘으로 표시) 으로 나뉩니다. 상징주의 학습과 연계주의 학습은 1980 년대부터 90 년대 중반에 매우 유행했고, 통계 학습은 90 년대 중반부터 빠르게 무대를 차지하기 시작했다. 한 사람이 독신인지 아닌지를 판단하는 일련의 특징적 법칙은 사실 의사결정 트리라는 점도 주목할 만하다.
심도 있는 학습의 부상
2 1 세기에 접어들면서 인터넷과 모바일 인터넷의 부상으로 데이터가 폭발적으로 증가하고 클라우드 컴퓨팅도 컴퓨팅 능력을 크게 향상시켰으며, 신경 네트워크의 관련 알고리즘도 성숙해져 연결주의의 대표인 신경망이 다시 부상했다. 다시 돌아오는 신경망은 종종 이전보다 더 큰 네트워크 계층을 가지고 있기 때문에' 심도 신경망' 이라고 불린다. 심도 있는 신경망은 충분한 교육 데이터와 컴퓨팅 능력을 갖추고 있으며, 특히 음성 처리, 자연어 처리, 이미지 처리 등 많은 복잡한 작업에서 뛰어난 성능을 발휘합니다. 성능의 돌파구는 음성 인식, 텍스트 번역, 얼굴 인식 등 다양한 시나리오에 인공지능을 적용해 신기술이 착지하는 경제적 이익과 상상력 공간을 보여 인공지능의 열풍을 불러일으켰다.
요약
말하자면, 우리는 인공 지능의 기술 유파의 종류와 진화를 그림으로 설명한다. 인공지능의 유파가 끊임없이 발전하고 있지만, 그렇다고 과거의 기술 노선이 버려진 것은 아니라는 점에 유의해야 한다. 이것은 실제 응용을 위한 스타일과 더 비슷하다. 한 시대에는 어떤 기술유파가 이 시대에 해결해야 할 실제 공업 문제를 정확히 해결할 수 있기 때문에 자연히 유행할 것이다. 현재 다양한 기계 학습 기술이 적절한 시나리오에 적용되고 있습니다. 예를 들어, 통계 학습 대표로 사용되는 지원 벡터기는 여전히 텍스트 분류 작업에 선호됩니다.
마지막으로 문장 문제의 질문에 답한다. 인공지능은 기계가 어떻게 지능을 얻을 수 있는지를 연구하는 큰 개념이다. 기계 학습은 인공지능의 기술파로, 알려진 샘플에서 규칙을 추출하여 알 수 없는 샘플을 판단하는' 지능' 을 얻는다. 심도 학습은 기계 학습의 일종이며, 그것의 학습 모델은 심도 신경망이다.