在人工神經(jīng)網(wǎng)絡(luò)課程之后，有一位同學(xué)課下問了一個(gè)問題，她這學(xué)期也在學(xué)習(xí)“機(jī)器學(xué)習(xí)”課程，感覺“人工神經(jīng)網(wǎng)絡(luò)”課程的內(nèi)容與機(jī)器學(xué)習(xí)課程的內(nèi)容大同小異。究竟這些課程之間有何區(qū)別呢？弄不清楚這些自己這學(xué)期的課程很是擔(dān)心。

之所以產(chǎn)生這樣的疑問，原因來自于這兩門課程之間的相似之處，而且隨著學(xué)科的發(fā)展它們重合度也在增加。但它們之間的差異在哪兒呢？

除了它們各自發(fā)展的理論和技術(shù)歷史和路徑不同、未來研究熱點(diǎn)和實(shí)現(xiàn)途徑差異之外，也許認(rèn)清它們之間的聯(lián)系更重要。

DJ Patil在他的一個(gè)短片中 What’s the difference between ML and NN？ 總結(jié)了機(jī)器學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò)幾點(diǎn)關(guān)系：

一種對(duì)人工神經(jīng)網(wǎng)絡(luò)，機(jī)器學(xué)習(xí)，人工智能之間關(guān)系的最基本看法是：人工神經(jīng)網(wǎng)絡(luò)是眾多問題解決方案中的一種；

現(xiàn)今階段你所能看到的人工神經(jīng)網(wǎng)絡(luò)大部分是一種使用大量數(shù)據(jù)訓(xùn)練的多層深度學(xué)習(xí)網(wǎng)絡(luò)，并在傳統(tǒng)的誤差反向傳播（BP）技術(shù)之上衍生出很多其他特性；

對(duì)于神經(jīng)網(wǎng)絡(luò)算法的提高也使得它與機(jī)器學(xué)習(xí)方法有了很多共同之處：比如監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、Logistic回歸、隨機(jī)森林等。這些方法的共同之處都是通過一些訓(xùn)練數(shù)據(jù)及來尋找到一些滿足某些約束條件的函數(shù)映射。

近日，一篇來自于斯坦福大學(xué)的人工智能定義短文 Artificial Intelligence Definitions 從某一角度較為詳細(xì)的把智能相關(guān)的概念進(jìn)行了梳理，閱讀它也許可以幫你盡可能理清這個(gè)領(lǐng)域中的眾多學(xué)科之間的關(guān)系。

智能 可以被定義為在不確定、時(shí)刻變化的環(huán)境中通過學(xué)習(xí)和實(shí)施合適的技術(shù)來解決碰到的問題或達(dá)到既定目標(biāo)的能力。而那種安全靠編程來靈活、精確、可靠工作的工廠中的機(jī)器人則不具有智能。

人工智能 這一詞語是由斯坦福大學(xué)退休名譽(yù)教授 McCarthy 在1955年提出，是指：“制造出智能設(shè)備的科學(xué)和工程技術(shù)。” 多數(shù)研究是通過計(jì)算機(jī)編程使得機(jī)器表現(xiàn)出聰明，比如下象棋。但今天我們更強(qiáng)調(diào)機(jī)器能夠像人類一樣進(jìn)行學(xué)習(xí)。

自主系統(tǒng) 無需借助底層（微?。┕芾肀憧梢宰灾鲗?duì)完成特定目標(biāo)的步驟進(jìn)行規(guī)劃和決策。比如在醫(yī)院里遞送藥品的機(jī)器人可以成功穿越擁擠的走廊完成這個(gè)任務(wù)。在人工智能中的自主，與政治和生物領(lǐng)域中的自主概念并不相同。

機(jī)器學(xué)習(xí) 是人工智能中研究如何通過計(jì)算機(jī)軟件，在已有的經(jīng)驗(yàn)和數(shù)據(jù)的基礎(chǔ)上提高感知、知識(shí)、思考和行動(dòng)能力。為實(shí)現(xiàn)這個(gè)目的，機(jī)器學(xué)習(xí)應(yīng)用了計(jì)算機(jī)科學(xué)、統(tǒng)計(jì)學(xué)、心理學(xué)、神經(jīng)科學(xué)、經(jīng)濟(jì)學(xué)（？） 以及控制理論。

監(jiān)督學(xué)習(xí) 計(jì)算機(jī)軟件從人類給定數(shù)據(jù)的標(biāo)簽中來進(jìn)行預(yù)測(cè)，比如從狗的圖片來預(yù)測(cè)狗的品種。 無監(jiān)督學(xué)習(xí) 則無需數(shù)據(jù)標(biāo)簽，有時(shí)是自行完成預(yù)測(cè)任務(wù)，例如預(yù)測(cè)一個(gè)句子中詞語的前后順序。 增強(qiáng)學(xué)習(xí) 是根據(jù)總的獎(jiǎng)賞條件來自行確定要執(zhí)行任務(wù)，比如在游戲中，無需給定哪種好的技術(shù)，它便可以自行學(xué)習(xí)。

深度學(xué)習(xí) 則通過使用大型多層人工神經(jīng)網(wǎng)絡(luò) 形成類似于人腦中神經(jīng)元的層次結(jié)構(gòu)，計(jì)算它們之間連續(xù)變化的權(quán)值。這是當(dāng)今機(jī)器學(xué)習(xí)各種方法中應(yīng)用最為成功的方法。無論數(shù)據(jù)集合大小還是計(jì)算能力消耗量，它都能夠很好的推廣。

普通的算法需要像編寫的計(jì)算機(jī)程序那樣有精確的執(zhí)行步驟。而人工智能算法則只有少量的用于描述學(xué)習(xí)和獎(jiǎng)勵(lì)的計(jì)算方法，大部分算法的性能則是通過對(duì)數(shù)據(jù)和經(jīng)驗(yàn)的學(xué)習(xí)來獲得。對(duì)于這種巨大的變化，b畢業(yè)于斯坦福大學(xué)的Andrej Kapathy稱為它 軟件的2.0版本。

狹義的人工智能 是為了完成特定任務(wù)，比如語音、人臉識(shí)別。類人智能，或者廣義智能 則是探索更加一般性的智能，適用不同語境的機(jī)器。比如一些社交聊天機(jī)器人或者人與機(jī)器人的交互等。

聚焦人類人工智能 則是為增加人的能力、解決社會(huì)需求、從人類行為獲得啟發(fā)的人工智能，研究制作人類更加有效伙伴和工具，比如對(duì)老年人的輔助和關(guān)愛機(jī)器人。

責(zé)任編輯：haq