人工智能和机器学习之间有什么区别？

这两个主题背后有很多激动人心的地方，因此，这可以作为它们的实质和区别的快速指南。

人工智能

人工智能一词由数学博士学位的约翰·麦卡锡（John McCarthy）提出，他将该领域描述为“制造智能机器，尤其是智能计算机程序的科学和工程学”。大多数专家都会接受以某种方式将AI描述为学习和/或可以解决问题的程序的定义。机器学习是AI的子领域之一。 AI还有其他子域，例如本体创建（试图创建主题的分类法）和常识推理（您进入厨房并看到抽屉打开，您推断有人打开了抽屉）。 AI的其他其他领域之所以没有像机器学习那样受欢迎，是因为它们更难开发，相当简单的模型对ML很好用，并且ML已经开始产生利润。

机器学习

机器学习是关于数学模型的创建的，该数学模型针对给定任务自动优化其变量（通常称为参数）。这些模型在称为训练集的一组数据上进行了自我优化，然后应用于现实世界。其中一些模型比计算机存在的时间更长，但是有了计算机，我们现在能够存储更多数据，更快地执行计算，并将经过训练的ML模型应用于新数据。 ML有三个子域，每个子域都有不同的开发和使用方法。

监督学习

在监督学习中，我们尝试预测特定的结果。结果可能是离散的（一个人会购买吗？还是热狗还是非热狗？）或连续的结果（这房子要卖多少？这只股票在1个月内的价格是多少？）。在监督学习中，我们以某种方式衡量错误并寻求将其最小化。

回归是当我们尝试从连续光谱中预测值时。最简单的例子是线性回归，它通过数据点画一条直线。在此示例中，我们建立的数学模型为y = m * x + b，并且将自优化应用于m和b参数。我们在任何给定x值处对y值的预测都可以在红线中找到。此处的误差度量是每个蓝点和红线之间的距离。

https://zh.wikipedia.org/wiki/Linear_regression#/media/File:Linear_regression.svg

分类是对离散值的预测，顾名思义，我们尝试将数据点分为两组。例如，您可以使用称为决策树的机器学习模型（如下所示）来预测某人幸免于泰坦尼克号的可能性。在这里，我们尝试优化模型的准确性，这意味着我们的模型在预测中正确的时间百分比。

https://bigwhalelearning.files.wordpress.com/2014/11/titanic_heuristic.png

无监督学习

与有监督的学习不同，无监督的学习没有正确答案可以优化。无监督学习通常用于创建数据点集群。例如，您的信用卡公司可能会查看您的消费习惯，并衡量数据点（您购买的数据）之间的差异。在这种情况下，可以通过一天中的时间，地理位置和商店类型来衡量差异。有了一些购买历史记录（培训数据），信用卡公司可以在凌晨4:00在另一个国家的酒吧对您帐户中的200美元购买进行分类，这与正常情况相去甚远。由于我们没有欺诈活动和欺诈活动的列表，因此我们无法使用监督学习的模型，因此我们只能将事物分类为普通和非常规。

强化学习

强化学习的目的是为了使奖励最大化。新闻中最常用的强化学习方法是自动驾驶汽车。在这里，运行汽车的算法会获得一些奖励，例如不会撞车，将您带到目的地以及尽可能缩短出行时间。在强化学习中，该算法在模拟或游戏中进行训练，在其中进行测试并了解使奖励功能最大化的内容，然后将其应用于现实世界。有监督和无监督的学习模型已经使用了一段时间，但是RL现在越来越受到关注。

7世纪的棋盘游戏Go曾经被认为无法击败。与象国际象棋这样的游戏不同，在1996年IBM的Deep Blue能够击败加里·卡斯帕罗夫（Gary Kasparov）大师，而围棋则具有更高的潜力。这使得无法使用围棋国际象棋中使用的传统机器学习方法。 DeepMind的强化学习计划AlphaGo最终在2015年没有任何障碍地与人类职业选手抗衡。同样，AWS DeepRacer和Kaggle的Connect X等竞赛正在帮助增加RL从业人员的数量。随着我们在这类游戏中的获胜能力不断提高，我们将学习可应用于更广泛领域（例如机器人技术）的优化方法。