深度学习和人工智能之间是什么样的关系?

深度学习与人工智能概念的潜在联系,我们依然借助维恩图来说明,如图4.1所示。

1、人工智能

“人工智能”这个概念新鲜时髦但又含混模糊,同时包罗万象。尽管如此,我们仍尝试对 人工智能进行定义:用一台机器处理来自其周围环境的信息,然后将这些信息分解并进行适 当决策,以达到实现某些期望结果的目的。根据定义,部分人只是将人工智能理解为“通用 智能”,因为人们关注的一般是其归纳推理和解决问题的能力。在实践中,尤其在大众媒 体那里,“人工智能”被用来描述那些尖端机器的能力。目前,这些能力包括语音识别、视频 内容解析、聊天机器人、自动驾驶、工业机器人以及在像围棋这样的“直觉密集型”棋盘游戏 中击败人类。一旦人工智能的能力被突破并且被普遍应用(例如,20世纪90年代最先进的 手写数字识别,详见第1章),“人工智能”这个名字就会被大众媒体抛弃,因为这会使人工智 能定义的标准不断被提高。

机器学习

机器学习和机器人技术一样,属于人工智能的一个方面。机器学习是计算机科学的一 个领域,关注的是如何构建软件并使得软件自动识别数据模式,而无须程序员明确指示。也 就是说,通过充分了解问题并做出一些假设,程序员就可以提供相应的模型框架和相关数 据,让软件充分学习并解决问题。如图1.12所示,机器学习通过处理原始输入,可以提取出 与数据建模算法一致的特征,这个过程因为需要人工设计,所以稍显费力。

3、表征学习

通过图4.1,我们可以更形象地剖析表征学习。这个概念是从第2章开始介绍的,简而 言之,表征学习是机器学习的一个分支,表征学习的模型构建方式是通过提供足够的数据来 自动学习特征。

这样学习到的特征相比人工设计的更加全面和准确。目前,虽然学术界和 业界的研究人员都在积极研究特征的可解释性,但是机器学习到的特征仍然很难被人理解 或被很好地解释。

4、人工神经网络

目前,人工神经网络在表征学习领域占据主导地位。正如前面所提到的,人工神经元是 受生物脑细胞启发的简单算法,因为无论是人工的还是生物的单个神经元,首先都要接收很 多其他神经元的输入,然后通过一系列计算,产出单个输出。人工神经网络是人工神经元的 集合,它们在排列后,就可以彼此之间发送和接收信息。首先将数据输入人工神经网络,然 后人工神经网络以某种方式处理数据,进而得到预测结果。例如,手写数字的图像被输入人 工神经网络,经过处理后,便可得到关于输入图像所代表数字的准确预测。

5、深度学习

在图4.1所示的概念中,深度学习是最容易定义的。我们已经多次提到,深度学习网络 是由好几层人工神经元组成的网络,图1.11和图1.17所示的经典架构在图4.2中也有简单描述。深度学习网络通常多于5层,具体结构如下。

■输入层:接收输入网络的数据。

■隐藏层:学习输入数据中的特征表示,一般有3个或更多个。一种经常使用的隐藏 层类型是密集层,在这种类型中,给定层中的所有神经元都可以从前一层中的每个 神经元接收信息(因此,“密集层”的常见同义词是全连接层)。除了这种通用的隐藏 层类型之外,还有很多其他类型专门针对特定的用途。

在深度学习网络中,若干人工神经元分层排列,每一层都是对前一层更抽象的非线性重组,所以只要有足够的数据集,即使只有几层的深度学习模型,也足以进行学习训练并解决 特定问题。也就是说,我们偶尔会看到数百层甚至上千层的深度学习网络,但它们并不经常使用。

自从2012年AlexNet在ILSVRC公开挑战赛(参见图1.15)上获胜以来,无数事实已经 证明:应用深度学习方法的建模适用于多种机器学习任务。事实上,随着深度学习推动当代 人工智能的不断进步,“深度学习”已经被大众媒体当作“人工智能”的代名词。

以上内容摘自《图解深度学习》

图解深度学习

深入浅出讲解深度学习的主流技术及背后的原理,彩色印刷,图文并茂,助你快速上手TensorFlow和PyTorch等热门工具。

本书汇集了专家乔恩·克罗恩(Jon Krohn)和格兰特·贝勒费尔德(Grant Beyleveld)的丰富经验和具体实践,以及阿格莱·巴森斯(Aglaé Bassens)的精美插图,用直观生动的方式,清晰地阐释了什么是深度学习,为什么深度学习如此流行,并梳理了深度学习与其他机器学习方法的关系。在这本书中,作者通过Jupyter notebook这一强大的工具,编写可动手操作的Python代码,为那些想要开始学习深度学习的开发人员、数据科学家、研究人员、分析师和学生创建了实用的参考教程。

为了帮助读者快速提高,作者重点讲解了利用深度学习库Keras灵活构建TensorFlow模型的方法,同时还介绍了深度学习库PyTorch的强大功能。阅读本书,读者将能够深入理解和掌握深度学习的主要方法及其在机器视觉、自然语言处理、图像生成和游戏领域的应用。

人工智能和深度学习书籍推荐

人工智能:现代方法(第4版)

系统性总结人工智能的方方面面,国际人工智能领域专家斯图尔特·罗素撰写人工智能百科书,时隔十年重磅更新,被全球全球1500多所学校采用的经典教材。

本书全面、深入地探讨了人工智能(AI)领域的理论和实践,以统一的风格将当今流行的人工智能思想和术语融合到引起广泛关注的应用中,真正做到理论和实践相结合。全书分7个部分,共28章,理论部分介绍了人工智能研究的主要理论和方法并追溯了两千多年前的相关思想,内容主要包括逻辑、概率和连续数学,感知、推理、学习和行动,公平、信任、社会公益和安全;实践部分完美地践行了“现代”理念,实际应用选择当下热度较高的微电子设备、机器人行星探测器、拥有几十亿用户的在线服务、AlphaZero、人形机器人、自动驾驶、人工智能辅助医疗等。本书适合作为高等院校人工智能相关专业本科生和研究生的教材,也可以作为相关领域专业人员的参考书。

作者简介

斯图尔特.罗素(Stuart Russell),1986年他进入加利福尼亚大学伯克利分校,任计算机科学系教授,并曾担任系主任,人类兼容人工智能中心主任,他也是史密斯–扎德(Smith-Zadeh)工程系讲席教授。1990年,他获得了美国国家科学基金会(NSF)杰出青年科学家总统奖;1995年,他成为计算机与思想奖的获奖人之一。他是美国人工智能协会(AAAI)、美国计算机协会(ACM)和美国科学促进协会的会士,牛津大学瓦德汉学院的荣誉院士和安德鲁.卡内基(Andrew Carnegie)院士。2012年到2014年,他在巴黎担任布莱斯.帕斯卡(Blaise Pascal)主席。他在人工智能领域发表了300多篇论文,涉及范围广泛。

彼得.诺维格(Peter Norvig)曾任谷歌公司的研究总监、核心网络搜索算法的负责人。他曾与他人合作共同教授了一门有16万名学生注册的在线人工智能课程,帮助开启了当下的大规模在线公开课程的大幕。他曾担任美国宇航局艾姆斯研究中心计算科学部的负责人,负责人工智能和机器人学的研究和开发。他曾任南加利福尼亚大学的教授和加利福尼亚大学伯克利分校、斯坦福大学的教师。他是美国人工智能协会和美国计算机协会的会士,以及美国艺术与科学院和加利福尼亚科学院的院士。

两位作者共同获得了2016年首届AAAI/EAAI杰出教育家奖。

动手学深度学习 PyTorch版

《动手学深度学习》全新PyTorch版本,李沐和亚马逊科学家阿斯顿·张等大咖作者强强联合之作,机器学习、深度学习领域重磅教程,交互式实战环境,配套资源丰富!

本书是《动手学深度学习》的重磅升级版本,选用经典的PyTorch深度学习框架,旨在向读者交付更为便捷的有关深度学习的交互式学习体验。

本书重新修订《动手学深度学习》的所有内容,并针对技术的发展,新增注意力机制、预训练等内容。本书包含15章,第一部分介绍深度学习的基础知识和预备知识,并由线性模型引出最简单的神经网络——多层感知机;第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具;第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素,并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。

作者简介:

阿斯顿.张(Aston Zhang),亚马逊资深科学家,美国伊利诺伊大学香槟分校计算机科学博士,统计学和计算机科学双硕士。他专注于机器学习和自然语言处理的研究,荣获深度学习国际顶级学术会议ICLR杰出论文奖、ACM UbiComp杰出论文奖以及ACM SenSys最佳论文奖提名。他担任过EMNLP领域主席和AAAI资深程序委员。

扎卡里.C. 立顿(Zachary C. Lipton),美国卡内基梅隆大学机器学习和运筹学助理教授,并在海因茨公共政策学院以及软件和社会系统系担任礼节性任命。他领导着近似正确机器智能(ACMI)实验室,研究涉及核心机器学习方法、其社会影响以及包括临床医学和自然语言处理在内的各种应用领域。他目前的研究重点包括处理各种因果结构下分布变化的稳健和自适应算法、超越预测为决策提供信息(包括应对已部署模型的战略响应)、医学诊断和预后预测、算法公平性和可解释性的基础。他是“Approximately Correct”博客的创始人,也是讽刺性漫画“Superheroes of Deep Learning”的合著者。

李沐(Mu Li),亚马逊资深首席科学家(Senior Principal Scientist),美国加利福尼亚大学伯克利分校、斯坦福大学客座助理教授,美国卡内基梅隆大学计算机系博士。他曾任机器学习创业公司Marianas Labs的CTO和百度深度学习研究院的主任研发架构师。他专注于机器学习系统和机器学习算法的研究。他在理论与应用、机器学习与操作系统等多个领域的顶级学术会议上发表过论文,被引用上万次。

亚历山大.J. 斯莫拉(Alexander J. Smola),亚马逊副总裁/杰出科学家,德国柏林工业大学计算机科学博士。他曾在澳大利亚国立大学、美国加利福尼亚大学伯克利分校和卡内基梅隆大学任教。他发表过超过300篇学术论文,并著有5本书,其论文及书被引用超过15万次。他的研究兴趣包括深度学习、贝叶斯非参数、核方法、统计建模和可扩展算法。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/69440.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

实用分析工具推荐 | OmicsView:交互式可视化分析多组学数据

随着NGS技术的进步,许多疾病中人体组织的转录谱分析变得越来越常规,在公共存储库中已存储了PB级的数据。目前需要计算专业知识有限的实验室科学家能够访问和挖掘这些数据,以了解疾病病理学、识别疾病的可靠生物标志物和干预措施的效果&#x…

肠道菌群失调与炎症性肠病的关联

谷禾健康 健康是人生命活动的根本,而肠道健康更是其中的重要部分。随着现代生活方式改变,炎症性肠病发病率增加。 炎症性肠病是一种严重影响患者生活质量的疾病。在全球范围内影响数百万人,发病率高,给卫生保健系统带来了沉重负担…

基因对疾病的影响规律--读论文

读读论文,用谷歌学术翻译一下,重要的部分做一下笔记。正文部分是翻译,加黑部分是个人笔记。 本次学习的论文:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4412738/ 1. 前言 我们对疾病遗传基础的理解已经从对总体遗传力或家族…

百姓基因快讯:基因检测可以诊断出哪些类型的疾病?

百姓基因快讯:基因检测可以诊断出哪些类型的疾病? 能够进行DNA测验以确诊一系列心脏和血管疾病或承认发生这些疾病的危险。这些测验现在在南非可用。某些类型的癌症,铁超负荷和其他遗传性遗传疾病的集合也能够这种方法确诊出来。 心脏和血管疾病 能够进行DNA检测的特定疾病…

Gut-口腔微生物可以预测直肠癌

本文转载自“态昌基因”,已获授权。 目录 Community structure & Modularity文献解读实验设计Result 1 :基于UWF矩阵的群落结构差异(PERMANOVA)Result 2 :ROC诊断模型Result 3 :网络分析Result 4 : 口腔…

《黑色沙漠》游戏分析与拆解

目录 前言 游戏概述 核心循环与系统拆解 交易所 游戏流程 装备强化 强化失败保护 神器 成就 设计目的 后记 《黑色沙漠》游戏系统拆解图 前言 本文主要分析PC端《黑色沙漠》台服游戏流程中让玩家感到兴奋愉快的系统,分析这些系统为何吸引玩家,如何做到…

真实案例 | 克罗恩病患者肠道菌群检测

克罗恩病(CD)是一种慢性消化系统疾病,会引起消化道炎症和损害。 该疾病属于称为炎症性肠病(IBD)的一组病症,是一种慢性、免疫介导的肠道炎症疾病,其特征是反复发作的肠道炎症和不可逆的消化道损伤累积。 据Meta分析估计…

Day14. 用可解释机器学习方法鉴别肠结核和克罗恩病

Title: Differentiation of intestinal tuberculosis and Crohn’s disease through explainable machine learning method 用可解释机器学习方法鉴别肠结核和克罗恩病 Keywords: Intestinal tuberculosis; Crohn’s disease; Shapley Value; Machine learning 肠结核&#xf…

Research| 细菌产生的脲酶引起克罗恩病患者的肠道菌群失调

标题:细菌性脲酶引起克罗恩病患者的肠道菌群失调 导读 肠道菌群组成受到很多环境因素(内外环境)的影响,如饮食、抗生素使用、肠道炎症及致病菌的侵入等;术语’dysbiosis’指的是与宿主疾病状态相关的微生物组成发生改变…

AI产业应用再提速,AI基础软件发挥巨擎作用

5月31日,由中国信息通信研究院、中国人工智能产业发展联盟主办,北京九章云极科技有限公司联合主办的【创造智能探索未知】杭州通用人工智能论坛-AI基础软件前沿技术分论坛在杭州成功举办。大会聚焦AI基础软件前沿技术,挖掘人工智能基础软件大…

AI学术界无人后继?名校毕业生纷纷进厂,全是香饽饽

来源:新智元 AI火,搞AI的人就火。 这不,据Insider最近的一次采访报道,科技类公司正风卷残云般地从斯坦福、麻省理工、康奈尔大学等强校里抢人。 搞AI项目的大学生全成了香饽饽。 其实,不光这些专业的大学生人人追捧&am…

明面抵制,暗中布局 对于AI,马斯克的言行为何如此“割裂”?

最近,马斯克创建了一家叫做“X”的空壳公司,目标是将其打造成涵盖各方面的多功能应用集合平台,推特、SpaceX、特斯拉、Neuralink等公司业务都已打包加入其中。如今,“X”公司再添新丁——X.AI,即马斯克新成立的人工智能…

马斯克宣布成立xAI——引领开放人工智能时代的新纪元

马斯克宣布成立xAI——引领开放人工智能时代的新纪元 🟢一、前言🟢二、马斯克的背景与愿景🟢三、xAI的潜在研究方向🟢四、xAI面临的挑战🟢五、xAI的潜在影响🟢六、xAI与OpenAI的异同🟢七、对Ope…

特斯拉和OpenAI的加持,马斯克简直人生赢家

赢家已定 商人行事,最重要的因素之一是利益驱动。这里,最服“马斯克”。 以马斯克为首的特斯拉公司周日宣布,将在上海新建一家超级工厂,专门生产该公司的储能产品Megapack。签约的特斯拉储能超级工厂项目也是该公司在美国本土以…

为啥马斯克一边反对Open AI,一边又自己另搞AI

这事我过去就说过,我现在再老生常谈一次。 (1) 我过去说过一个事:汽车自己智能其实还不能做到真正的智能,必须车路人都智能了,智能汽车才能真正智能。 因为车路人智能,这本质是数字世界和数字世…

旷视张祥雨|迈向「大」和「统一」的视觉神经网络架构设计新思路

导读 大模型正在引发人工智能研究与应用范式产生重大变革,越来越多的顶级团队和杰出人才纷纷加入这一技术浪潮。今天我们将分享旷视科技主任研究员张祥雨的最新报告「视觉模型:迈向“大”和“统一”」。 张祥雨 旷视研究院主任研究员,Foundat…

自动驾驶行业需要大模型吗?

作者 | 十字甫 编辑 | 汽车观察者联盟 点击下方卡片,关注“自动驾驶之心”公众号 ADAS巨卷干货,即可获取 点击进入→自动驾驶之心技术交流群 后台回复【数据集下载】获取计算机视觉近30种数据集! 当下最热门的两个话题,一个是人工…

PaLM 2 硬刚 GPT-4,未来还有变数

在 ChatGPT 没有出现之前,谷歌多年来一直是 AI first战略 ,不出意外的话还会是领头羊,手握 DeepMind 和 Google Brain 两大 AI 王牌,再加上投资技术实力雄厚的 Anthropic,论资排辈都得是他。时不我与,被 Op…

OpenAI软件工程师年薪92.5万美元,到手仅30万美元,网友:“这个饼我不吃!”...

整理 | 朱珂欣 出品 | CSDN程序人生(ID:coder_life) 软件工程师作为含「金」量高的职业,薪资总是热议话题。 6 月 26 日,据薪酬网站 Levels.fyi 最新数据显示:OpenAI 的软件工程师年薪高达 92.5 万美元&…

开发者必看:Google Play应用上架流程(希望你不踩坑!)

实话实说,感觉今年的大环境并不是像前两年那么好,但也无需多想,这些事情就交给顶头的人去思虑吧。我们这些程序员、跨境电商人就该干嘛干嘛! 不过虽然大环境不是特别好,但是还是承认,出海潮的热度只增不减&…