1.5 人工智能、机器学习与深度学习

此时，智博士对人工智能还是似懂非懂，但是爱较真的他脑子里仿佛充斥着各种概念，他想梳理清这些概念，于是他拿起手机，开始在搜索引擎中查询信息，来解答自己对于各个概念的疑问以及它们之间的关系。

人工智能的浪潮正在席卷全球，很多专业词汇常萦绕在我们耳边，比如人工智能、机器学习（Machine Learning）、深度学习（Deep Learning）。人工智能中有一种叫作机器学习的技术，其中包含很多种算法，能够帮我们解决分类、聚类及回归等问题，而深度学习是其中的一类。除此之外，我们还有决策树、逻辑回归等算法，它们可以帮我们解决相应的问题。

图1-10是几个概念之间的关系，人工智能除了机器学习之外，还有专家系统等技术；机器学习除了深度学习之外，还有KNN、决策树等算法；深度学习包含卷积神经网络（CNN）等技术。

在近几年人工智能的浪潮下，应用最为广泛的还要属机器学习和深度学习等相关技术。后面的章节我们主要用机器学习和深度学习等方法，对人工智能做一些介绍。

我们不禁会想，到底什么是机器学习呢？机器学习不仅需要计算机程序去实现和支撑整个流程，还要依靠数据提供有用的知识，挖掘其中有用的信息，来完成从算法学习到模型，再用模型进行分类等任务的过程。

我们举一个例子来说明机器学习的过程。

大部分日常交互的计算机程序可以通过最基本的命令来运行，例如我们可以通过计算机程序计算1+1=?，或者开发一个网站，让用户输入个人信息，注册后可以浏览新闻等。然而，对于机器学习科学家来说，大部分应用没有那么容易。想象下如何写一个程序来对一张图片进行归类？如果你在一个只有代码编辑器的房间里，你将如何完成一个程序？你可能会想象下面的程序（以文字作为伪代码实现）。

●如果（图像包含小狗）

返回：图像是小狗，

●否则：

返回：图像不是小狗

但实际上，你只能得到图像里每个像素点的数值，这就是图像在计算机内的表现形式。那么什么样的规则才能把数据转换成我们要判定的类别呢？

如果你认为靠程序写一些规则很难解决这些问题，不用担心，这个时候我们可以运用人工智能机器学习来解决这些问题。

我们不是直接写一个狗分类器，而是创建一个程序，能在巨大的有标注的数据集里辨别狗，我们可以把这种方式看作是利用数据编程，这里一般包括以下几个过程。

●提取特征：获取已经有标注的数据，并从数据中提取有用的信息。

●训练模型：让计算机在数据中自动找规律，训练可以完成任务的模型。

●使用模型预测：使用上阶段训练好的模型，完成预测任务。

我们需要用数据训练机器学习模型，这个过程就像人在高考前练习历年真题和模拟题，从那些带有答案的例题中摸索相应的规律，而人工智能将这些规律总结成模型。这些模型往往用一些函数来表示，这个过程叫作训练，也就是根据提供的数据，找到一组函数中最合适的未知参数的取值，让建立在这些数据上的模型能够预测出最准确的结果。

下面来介绍一下机器学习的大致过程。

1.初始化一个几乎什么也不能做的人工智能分类器模型；

2.获取一些有标注的数据集（我们知道每个图像所属的类别，例如，某张图上是狗，某张图上是猫）；

3.修改模型的结果，使它能在抓取的数据集上更准确地判断图像的类别（例如使它判断图像类别的结果越来越准确）；

4.重复步骤2和3，直到模型预测得很准确。

预测模型训练好后，我们就可以使用狗分类器来判断小狗的所属类别了，这个阶段也叫训练阶段。这个阶段很像人类的高考阶段，经过训练阶段的学习，分类器已经足够完善，我们就可以进行考察，对考官发出来的图像进行判定。

我们可以用记忆中的图片来考验分类器，如图1-11所示。

在后续的章节中，我们将看到一系列分类、回归和聚类任务，以及如何通过机器学习、深度学习等人工智能算法解决这些问题。