人工智能机器学习和深度学习

  人工智能 (AI) 是致力于解决通常与人工智能相关联的认知性问题的计算机科学领域，这些问题包括学习、问题解决和模式识别等。提起人工智能 (通常缩写为“AI”)，人们可能会想到机器人或未来的场景。但是，AI 不仅仅局限于科幻小说中的机器人，还迈进了现代非虚构的高级计算机科学领域。这一领域的杰出研究人员 Pedro Domingos 教授将机器学习划分为“五大学派”，即起源于逻辑和哲学的象征主义学派、源于神经系统科学的联结主义学派、与进化生物学相关的进化论学派、结合统计学和概率学的贝叶斯定理学派以及起源于心理学的类比推理学派。最近，由于统计计算效率的进步，贝叶斯定理学派在名为“机器学习”的领域取得了多个方面的进展。同样，由于网络计算的进步，联结主义学派在名为“深度学习”的一个子领域也取得了进展。机器学习 (ML) 和深度学习 (DL) 都属于源自人工智能学科的计算机科学领域。

  从广义上来说，这些技术分为“有监督”和“无监督”学习技术，其中“有监督”使用包含预期输出的培训数据，而“无监督”使用不包含预期输出的培训数据。

  数据越多，AI 就会“更加智能”，并以更快的速度学习；而且，企业每天都会生成数据，为运行机器学习和深度学习解决方案提供“燃料”，其中包括从 Amazon Redshift 等数据仓库收集和提取的数据、使用 Mechanical Turk 通过“人群”的强大力量收集的正确标注数据以及通过 Kinesis Streams 动态挖掘的数据。此外，随着 IoT 的出现和传感技术的应用，需要分析的数据量呈指数级增长，包括从之前几乎没有接触过的来源和位置以及对象和事件接收的数据。

一、机器学习（ Machine Learning）

  机器学习这一名称通常应用于一些用于模式识别和学习的贝叶斯技术。从核心上讲，机器学习是各种算法的集合，这些算法可根据记录的数据进行学习和预测、在不确定情境下优化给定效用函数、从数据中提取隐藏结构并用简洁的描述对数据进行分类。在显式编程过于僵化或不切实际的情况下，通常会部署机器学习。与软件开发人员为尝试根据给定输入生成特定程序代码输出而开发的常规计算机代码不同，机器学习使用数据生成统计代码 (ML 模型)，它将根据从先前的输入 (在使用监督技术的情况下还包括输出) 示例中识别出的模式输出“正确结果”。ML 模型的准确性主要取决于历史数据的质量和数量。

  有了合适的数据，ML 模型就可以使用数十亿的示例来分析高维度问题，从而找到能够根据给定输入预测结果的最佳函数。ML 模型通常会在预测及其整体性能方面提供统计置信度。在您决定是使用 ML 模型还是任何个人预测时，此类评估得分非常重要。

  机器学习通常用于根据历史数据预测未来结果。例如，组织可使用机器学习来根据特定人口统计信息预测未来财政季度的产品销量，或预测哪类客户最有可能对您的品牌感到不满意，哪类客户对您的品牌最为忠诚。此类预测有助于您更好地制定业务决策，提供更加人性化的用户体验，还可能会降低客户保持成本。ML 可以根据过去的趋势和交易来预测未来结果，对侧重于报告过去业务数据的商业智能 (BI) 进行补充。

  通过以下几个步骤，可成功在企业中实施 ML。首先，找出恰当的问题，即找出确定之后企业可从中获益的预测。接下来，必须根据历史业务指标 (交易、销量、流失等) 收集数据。对数据进行整合，然后根据数据构建 ML 模型。运行 ML 模型，并将模型的预测输出应用到企业系统，从而制定更加明智的决策。

使用案例：

• 异常检测： 找出与预期模式或数据集中其他项目不相符的项目、事件或观察结果。

• 欺诈侦测： 构建预测模型，帮助识别潜在的欺诈性零售交易，或帮助检测出欺诈性或不当项目审查结果。

• 客户流失： 找出极有可能会流失的客户，让您积极地为他们提供优惠或更广泛的客户服务，以便留住这些客户。

• 内容个性化： 使用预测分析模型，根据客户先前的行为来推荐项目或优化网站流量，从而提供更加个性化的客户体验。

二、深度学习（Deep Learning）

  深度学习是机器学习的一个分支，包含各种分层算法，目的在于更好地了解数据。与较为基础的回归算法不同，这些算法不再局限于创建一组可解释的关系。相反，深度学习依靠这些非线性算法层来创建能够根据一系列因素进行交互的分布式表示。对于大型培训数据集，深度学习算法开始能够识别元素之间的关系。这些关系可能存在于形状、颜色、文字等元素之间。由此，人们便可以使用该系统创建预测了。在机器学习和人工智能中，深度学习之所以具有强大的功能，是因为该系统能够识别的关系超出了人类可在软件中实际进行编码的关系，且还能识别出人类甚至无法意识到的关系。经过充分的培训后，算法网络便可以开始预测或解释非常复杂的数据。

使用案例：

• 图像和视频分类、细分： 卷积神经网络在执行许多视觉任务方面 (包括对象分类) 超越了人类。对于数以百万计的标记图片，算法系统可以开始识别图像的主题了。在深度学习的推动下，许多照片存储服务现已具备面部识别功能。

• 语音识别： 虽然人类在很小的时候就可以理解声音，但直到最近，计算机才能够倾听并回应人类。由于人类的口音和言语模式多种多样，导致倾听和回应人类成为一项难以利用较为传统的数学或计算机科学来完成的机器任务。借助深度学习，算法系统可以更轻松地确定语音内容及意图。

• 自然语言理解： 自然语言处理科学试图教授系统理解人类的语言、语气和语境。在此情况下，算法开始需要辨认一些更加难以理解的概念，如情感或讽刺。这是一个不断发展的领域，许多公司都尝试通过语音或文本机器人来实现客户服务自动化。

• 推荐引擎： 在线购物网站经常推送个性化内容推荐，其中涉及您想购买的商品、想观看的电影或感兴趣的新闻。过去，这些系统都由在商品之间建立关联的相关人员来提供支持。但是，随着大数据和深度学习的出现，就不再需要人类提供支持了，因为当前算法可以查看您过去购买或访问的商品并将该信息与他人的信息进行比较，从而找出您感兴趣的商品。