理解人工智能

人工智能包括机器和特殊计算机系统模拟人类智能的过程。人工智能的例子包括学习、推理和自我纠正。人工智能的应用包括语音识别、专家系统以及图像识别和机器视觉。

机器学习是人工智能的一个分支，它处理可以学习任何新数据和数据模式的系统和算法。

让我们关注下面提到的维恩图，以理解机器学习和深度学习的概念。

机器学习包含一部分机器学习，深度学习是机器学习的一部分。遵循机器学习概念的程序能够提高其对观察数据的性能。数据转换的主要动机是提高其知识，以便在未来获得更好的结果，为特定系统提供更接近预期输出的输出。机器学习包括“模式识别”，其中包括识别数据中模式的能力。

应训练这些模式以以理想的方式显示输出。

机器学习可以通过两种不同的方式进行训练：

• 监督式训练
• 无监督式训练

监督学习

监督学习或监督式训练包括一个过程，其中训练集作为输入提供给系统，其中每个示例都用期望的输出值标记。此类型的训练是使用最小化特定损失函数来执行的，该函数表示相对于期望输出系统的输出误差。

训练完成后，根据与训练集不相交的示例（也称为验证集）测量每个模型的准确性。

说明“监督学习”的最佳示例是提供包含其中信息的许多照片。在这里，用户可以训练模型来识别新的照片。

无监督学习

在无监督学习或无监督式训练中，包括训练示例，这些示例未被系统标记为属于哪个类别。系统寻找共享共同特征的数据，并根据内部知识特征更改它们。这种类型的学习算法主要用于聚类问题。

说明“无监督学习”的最佳示例是包含大量未包含信息的图片，用户使用分类和聚类训练模型。这种类型的训练算法在没有提供信息的情况下进行假设。