| AI作业5 | 您所在的位置：网站首页 › ml和dl的关系 › AI作业5 |
AI作业5
|
人工智能、机器学习、深度学习之间的关系
人工智能（Artificial Intelligence, AI）是机器，特别是计算机系统对人类智能过程的模拟。人工智能是一个宏大的愿景，目标是让机器像我们人类一样思考和行动，既包括增强我们人类脑力也包括增强我们体力的研究领域。机器学习（Machine Learning, ML）是一门多领域交叉学科，是人工智能的核心，是使计算机具有智能的根本途径。机器学习是一种实现人工智能的方法，它使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。深度学习（Deep Learning, DL）是机器学习的一种，主要特点是使用多层非线性处理单元进行特征提取和转换。深度学习是一种实现机器学习的技术，它利用深度的神经网络，将模型处理得更为复杂，从而使模型对数据的理解更加深入。
简单来说三者的关系即：
深度学习
⊆
机器学习
⊆
人工智能
深度学习 \subseteq 机器学习 \subseteq 人工智能
深度学习⊆机器学习⊆人工智能 用图解释的话就是： (可)参考链接： 一文看懂人工智能、机器学习、深度学习与神经网络之间的区别与关系 神经网络与深度学习的关系首先了解这两者的概念： 神经网络（Neural Network, NN）是一种机器学习的算法，它在设计的时候就是模仿人脑的处理方式，希望其可以按人类大脑的逻辑运行。神经网络由多个层和神经元组成，每个神经元都为它的输入分配权重，然后通过激活函数进行非线性转换，最终生成结果。在机器学习&深度学习的学习过程中我们也能发现机器学习中对于逻辑斯蒂回归的使用，在深度学习中（如sigmoid 函数）激活函数的作用是为神经网络引入非线性因素，从而使神经网络能够处理更加复杂的问题。在机器学习中，逻辑斯蒂回归（或对数几率回归）将概率转化为了接近0|1的函数值。深度学习见上； 由此可见：神经网络“位于“机器学习和深度学习之间，可见下图 (可)参考链接： [神经网络、深度学习、机器学习是什么？有什么区别和联系？]【上图摘自该文章】(https://www.zhihu.com/question/309493906)
“深度学习”和“传统浅层学习”的区别和联系
具体来说，深度学习和传统浅层学习的区别有以下几个方面： 网络深度：隐藏层的数量不一，深度学习使用的神经网络结构更加深层，可以包含数十甚至数百个隐藏层，而传统浅层学习则只有一到两个隐藏层。特征提取：深度学习可以通过多个隐藏层来实现多级特征提取，每一层都可以提取出数据的不同抽象特征，而传统浅层学习则需要手动进行特征工程。数据量：深度学习在大数据方面表现更加优秀，通常需要大量的数据才能得到良好的表现，而传统浅层学习则可以在相对较少的数据下表现良好。训练时间：深度学习模型通常需要更长的时间进行训练和调参，而传统浅层学习的模型则可以在短时间内得到较好的结果。至于他们之间的联系，深度学习和传统浅层学习都属于机器学习的范畴，都是通过训练模型来实现数据的分类和预测。而且，深度学习的一些技术，比如激活函数、反向传播等，也是从传统浅层学习中发展而来的。因此，在实践中，深度学习和传统浅层学习通常会结合使用，以达到更好的效果。 神经元、人工神经元 神经元（Neuron）是指生物神经系统中的基本单元，它是一种能够接收、处理和传递信息的细胞。神经元由细胞体、树突和轴突组成，细胞体负责维持生命活动，树突负责接收其他神经元的信号，轴突负责向其他神经元或效应器发送信号。神经元之间通过突触连接，突触是一种能够传递化学或电信号的结构。人工神经元（Artificial Neuron）是指人工神经网络中的基本单元，它是一种能够模拟生物神经元功能的数学模型。人工神经元由输入、权重、激活函数和输出组成，输入负责接收外部数据或其他人工神经元的输出，权重负责调节输入的影响程度，激活函数负责对加权输入进行非线性变换，输出负责向其他人工神经元或目标函数发送信号。人工神经元之间通过连接权重连接，连接权重是一种能够反映信号强度的数值。(可)参考链接： 什么是人工神经网络（ANN）? MP模型MP模型是一种神经网络的基本单元，它是由美国神经生理学家沃伦·麦卡洛克和数学家沃尔特·皮茨于1943年提出的，模仿了生物神经元的结构和工作原理。 受神经元启发了，MP模型的输出可以表示为： y j = f ( ∑ i = 0 n w i j x i − θ ) y_j=f(\sum_{i=0}^{n}w_{ij}x_i-\theta) yj=f(i=0∑nwijxi−θ) 其中θ为神经元的激活阈值，函数f(⋅)被是激活函数。函数f(⋅)可用阶跃方程表示，大于阈值激活；否则则抑制。但阶跃函数不光滑，不连续，不可导，因此通常用sigmoid函数来表示函数f(⋅)。
(可)参考链接： 人工神经元图片来自于百度百科 单层感知机 SLP单层感知机（Single Layer Perceptron，SLP）是一种简单的线性二分类模型，也可以看作是一种最基本的神经网络。它的输入是实例的特征向量，输出是实例的类别（+1或-1）。它的目标是寻找一个超平面，能够将训练集中正负实例划分正确。 单层感知机的模型可以表示为： f ( x ) = s i g n ( w ⋅ x + b ) f(x) = sign(w \cdot x + b) f(x)=sign(w⋅x+b) 其中， w w w是权值向量， b b b是偏置， s i g n sign sign是符号函数，即： s i g n ( x ) = { + 1 , x ≥ 0 − 1 , x < 0 sign(x) = \begin{cases} +1, & x \geq 0 \\ -1, & x < 0 \end{cases} sign(x)={+1,−1,x≥0x |
【本文地址】