机器学习和深度学习那些事儿 | 恩智浦AIoT微课堂

eefishing

第三讲

机器学习和深度学习

1.什么是机器学习？

作为人工智能的子集，机器学习使用统计学技术赋予计算机学习的能力，而无需明确编程。在其最原始的方法中，机器学习使用算法来分析数据，然后根据其解读进行预测。

关键因素在于，机器经过训练，可从数据中学习，因此它能够执行给定工作。为此，机器学习应用模式识别和计算学习理论，包括概率技术、核方法和贝叶斯概率，这些专业领域技术已成为目前机器学习方法中的主流。

机器学习算法并不遵循静态程序指令，而是利用输入示例训练集来构建模型进行运算，以便做出数据驱动型预测并输出表示出来。

计算机视觉是最活跃、最热门的机器学习应用领域。计算机视觉是指从现实世界中提取高维数据，以生成数字或符号信息——最终以决策的形式呈现。然而，就在不久前，为了让机器实现高级模式识别技能，需要进行大量手写代码。操作人员必须提取边缘以定义对象的开始位置和结束位置，应用噪声消除过滤器或添加几何信息，例如提取给定对象的深度信息。

事实证明，即使借助先进的机器学习训练软件，让机器真正理解其环境的数字再现并不是一项轻而易举的任务。此时，深度学习派上用场。

---

2.什么是深度学习？

AIt并不是什么新鲜事物，这个观点已出现了数十年，它是指软件可以在人工“神经网络”中模拟生物大脑皮层的神经元阵列。

深度学习算法尝试执行该工作，即模仿人类神经元网络的多层结构和功能。从实际意义上来说，深度学习算法学习识别声音、图像和其他数据的数字表示模式。但如何识别呢？

借助算法的最新改进和不断提高的处理能力，现在我们可以对更多层虚拟神经元进行建模，从而运行更深、更复杂的模型。长期以来，贝叶斯方法行不通的原因是，为了计算证据，必须手工执行概率整合。如今，贝叶斯深度学习应用于多层神经网络，以解决复杂的学习问题。

但是现在，我们的工作仍主要集中在“窄”或“弱人工智能”概念领域，即能够和人类一样，或者比人类更好地执行具体任务的技术。例如，用于图像分类或面部识别的人工智能技术可执行人类智能的某些方面，但不是全部智能，或者甚至是多项人类能力的组合。

能够执行多项复杂任务的机器，也就是表现出的行为至少像人类一样熟练灵活的机器，被视为“强人工智能”。虽然专家对于强人工智能是否能实现这一问题的意见不统一，但他们并未停止探索的脚步。

阅读全文

stm1024

支持一下