人工智能三大分類

1、-作者xxxx-日期xxxx人工智能三大分類【精品文檔】人工智能三大分類認知學(xué)習(xí);機器學(xué)習(xí);深度學(xué)習(xí)人工智能的概念不在陌生，但是其中的幾大專業(yè)術(shù)語又是什么呢？人工智能進入了一切領(lǐng)域從自動駕駛汽車，到自動回復(fù)電子郵件，再到智能家居。 似乎可以獲得任何商品（例如醫(yī)療健康，飛行，旅行等），并通過人工智能的特殊應(yīng)用使其更加智能。所以除非相信事件具有終結(jié)者般的轉(zhuǎn)折，可能會問自己，人工智能能夠預(yù)示著工作場所或整體的業(yè)務(wù)線的什么利益。人工智能主要有三個分支：1) 認知AI （cognitive AI）認知計算是最受歡迎的一個人工智能分支，負責(zé)所有感覺“像人一樣”的交互。認知AI必須能夠輕松處理復(fù)雜性和二義性

2、，同時還持續(xù)不斷地在數(shù)據(jù)挖掘、NLP（自然語言處理）和智能自動化的經(jīng)驗中學(xué)習(xí)。 現(xiàn)在人們越來越傾向于認為認知AI混合了人工智能做出的最好決策和人類工作者們的決定，用以監(jiān)督更棘手或不確定的事件。這可以幫助擴大人工智能的適用性，并生成更快、更可靠的答案。2) 機器學(xué)習(xí)AI （Machine Learning AI）機器學(xué)習(xí)（ML）AI是能在高速公路上自動駕駛你的特斯拉的那種人工智能。它還處于計算機科學(xué)的前沿，但將來有望對日常工作場所產(chǎn)生極大的影響。機器學(xué)習(xí)是要在大數(shù)據(jù)中尋找一些“模式”，然后在沒有過多的人為解釋的情況下，用這些模式來預(yù)測結(jié)果，而這些模式在普通的統(tǒng)計分析中是看不到的。 然而機器學(xué)習(xí)需

3、要三個關(guān)鍵因素才能有效： a) 數(shù)據(jù)，大量的數(shù)據(jù) 為了教給人工智能新的技巧，需要將大量的數(shù)據(jù)輸入給模型，用以實現(xiàn)可靠的輸出評分。例如特斯拉已經(jīng)向其汽車部署了自動轉(zhuǎn)向特征，同時發(fā)送它所收集的所有數(shù)據(jù)、駕駛員的干預(yù)措施、成功逃避、錯誤警報等到總部，從而在錯誤中學(xué)習(xí)并逐步銳化感官。 一個產(chǎn)生大量輸入的好方法是通過傳感器：無論你的硬件是內(nèi)置的，如雷達，相機，方向盤等（如果它是一輛汽車的話），還是你傾向于物聯(lián)網(wǎng)(Internet of Things)。藍牙信標、健康跟蹤器、智能家居傳感器、公共數(shù)據(jù)庫等只是越來越多的通過互聯(lián)網(wǎng)連接的傳感器中的一小部分，這些傳感器可以生成大量數(shù)據(jù)（多到讓任何正常的人來處理都

4、太多）。 b) 發(fā)現(xiàn) 為了理解數(shù)據(jù)和克服噪聲，機器學(xué)習(xí)使用的算法可以對混亂的數(shù)據(jù)進行排序、切片并轉(zhuǎn)換成可理解的見解。（如果你想嚇跑你的同事，請先聽聽常用的不同排序算法）從數(shù)據(jù)中學(xué)習(xí)的算法有兩種，無監(jiān)督算法和有監(jiān)督算法。 無監(jiān)督算法只處理數(shù)字和原始數(shù)據(jù)，因此沒有建立起可描述性標簽和因變量。該算法的目的是找到一個人們沒想到會有的內(nèi)在結(jié)構(gòu)。這對于深入了解市場細分，相關(guān)性，離群值等非常有用。 另一方面，有監(jiān)督算法通過標簽和變量知道不同數(shù)據(jù)集之間的關(guān)系，使用這些關(guān)系來預(yù)測未來的數(shù)據(jù)。這可能在氣候變化模型、預(yù)測分析、內(nèi)容推薦等方面都能派上用場。 c) 部署機器學(xué)習(xí)需要從計算機科學(xué)實驗室進入到軟件當中。越來

5、越多像CRM、Marketing、ERP等的供應(yīng)商，正在提高嵌入式機器學(xué)習(xí)或與提供它的服務(wù)緊密結(jié)合的能力。3) 深度學(xué)習(xí)(Deep Learning)如果機器學(xué)習(xí)是前沿的，那么深度學(xué)習(xí)則是尖端的。這是一種你會把它送去參加智力問答的AI。它將大數(shù)據(jù)和無監(jiān)督算法的分析相結(jié)合。它的應(yīng)用通常圍繞著龐大的未標記數(shù)據(jù)集，這些數(shù)據(jù)集需要結(jié)構(gòu)化成互聯(lián)的群集。深度學(xué)習(xí)的這種靈感完全來自于我們大腦中的神經(jīng)網(wǎng)絡(luò)，因此可恰當?shù)胤Q其為人工神經(jīng)網(wǎng)絡(luò)。 深度學(xué)習(xí)是許多現(xiàn)代語音和圖像識別方法的基礎(chǔ)，并且與以往提供的非學(xué)習(xí)方法相比，隨著時間的推移具有更高的準確度。 希望在未來，深度學(xué)習(xí)AI可以自主回答客戶的咨詢，并通過聊天或電子郵件完成訂單。 或者它們可以基于其巨大的數(shù)據(jù)池在建議新產(chǎn)品和規(guī)格上幫助營銷?；蛘咭苍S有一天他們可以成為工作場所里的全方位助理，完全模糊機器人和人類之間的界限。