标签
课程学习
AI
ML
梳理
字数
870 字
阅读时间
4 分钟
机器学习是实现人工智能的一种重要途径和核心分支，而人工智能是一个更广泛的概念，旨在创造能够模拟、延伸甚至超越人类智能的机器。
从属关系：机器学习是人工智能的子集
我们可以将人工智能、机器学习以及深度学习的关系想象成一组同心圆。 最外层是人工智能（AI），这是一个宏大的领域，包含了所有能够让机器展现出智能行为的技术和方法。 中间层是机器学习（ML），它专注于通过数据和经验来“学习”并自动改进，而无需进行显式编程。 最内层则是深度学习（DL），它是机器学习的一个更细分的领域，使用多层神经网络来处理和分析数据。
因此，所有的机器学习都是人工智能，但并非所有的人工智能都属于机器学习。
核心理念与目标的差异
人工智能（AI） 的最终目标是构建能够像人一样思考、推理、学习和解决问题的智能系统。 它涵盖了从感知（如图像和语音识别）到认知（如推理和决策）的广泛能力。 想象一个能够与你进行自然对话、理解你的意图并为你完成复杂任务的智能助手，这就是人工智能追求的宏伟蓝图。
机器学习（ML） 的核心在于“学习”。它不是直接为机器编写解决特定问题的指令，而是让机器从数据中自动学习模式和规律，并利用这些规律对新的数据进行预测或决策。 这是一个以数据为驱动的领域，其目标是让计算机系统通过经验自我完善。 例如，通过向机器学习模型输入大量的猫和非猫的图片，模型可以学习到猫的特征，从而能够在新图片中准确地识别出猫。
实现方式的不同
人工智能 的实现方式多种多样。早期的AI研究侧重于基于规则的系统（专家系统），试图将人类的知识编码成机器可执行的规则。虽然这种方法在特定领域取得了一定的成功，但其局限性在于难以处理复杂和模糊的问题。
机器学习 则开辟了一条新的道路。它通过算法来分析海量数据，并从中提取知识。 机器学习算法主要分为几大类：
- 监督学习： 使用带有标签的数据进行训练，让模型学习输入与输出之间的映射关系。
- 无监督学习： 使用没有标签的数据，让模型自行发现数据中的结构和模式。
- 强化学习： 让智能体通过与环境的互动来学习，通过试错来优化其行为策略以获得最大的奖励。
Xyea