联系我们
- 地 址:北京市海淀区北四环西路9号 ,主 营:人脸识别,活体检测,身份证识别,银行卡识别,名片识别,车牌识别,OCR识别等及智能识别技术。
- 电 话:13146317170 廖经理
- 传 真:
- 邮 箱:398017534@qq.com
模式识别、人工智能、深度学习、机器学习基本概述
模式识别、人工智能、深度学习、机器学习基本概述
引言
我个人出于跟踪如今最抢手的技术,对人工智能领悟几个很重要的概念(人工智能、数据发掘、形式辨认、机器学习、深度学习)做了简单的认识,理解他们之间的包含关系和区别。不一定全面,只作为自创。
人工智能
我们先上图:
很显然,看到上面的图,我们能够看到人工智能在应用范畴与机器学习有许多反复的中央,所以很多时分我们说的人工智能与机器学习其实是一回事。
但是人工智能的定义为:人工智能是使智能机器和计算机程序可以以通常需求人类智能的方式学习和处理问题的科学和工程。通常,这些包括自然言语处置和翻译,视觉感知和形式辨认以及决策,但应用程序的数量和复杂性正在疾速扩展。
形式辨认
70年代至80年代提出,强调的是如何让一个计算机程序去做一些看起来很“智能”的事情,例如辨别“3”和“B”或者“3”和“8”,很多时分需求特地手工设计一些分类规则,如滤波,边缘检测和形态学处置等技术。(智能程序的降生)
数据发掘
数据发掘:也就是data mining,是一个很广泛的概念。望文生义就是从海量数据中“发掘”躲藏信息,依照教科书的说法,这里的数据是“大量的、不完整的、有噪声的、含糊的、随机的实践应用数据”,信息指的是“隐含的、规律性的、人们事前未知的、但又是潜在有用的并且最终可了解的信息和学问”。这个工作BI(商业智能)能够做,数据剖析能够做,以至市场运营也能够做。你用excel剖析剖析数据,发现了一些有用的信息,然后这些信息能够指导你的business。所以,数据发掘更倾向应用。为了做好数据发掘,企业又要树立数据仓库。
数据发掘通常与计算机科学有关,并经过统计、在线剖析处置、情报检索、机器学习、专家系统(依托过去的经历规律)和形式辨认等诸多办法来完成上述目的。
机器学习
机器学习:machine learning,是计算机科学和统计学的穿插学科,根本目的是学习一个x->y的函数(映射),来做分类或者回归的工作。之所以经常和数据发掘合在一同讲是由于如今好多数据发掘的工作是经过机器学习提供的算法工具完成的,例如广告的ctr预估,PB级别的点击日志在经过典型的机器学习流程能够得到一个预估模型,从而进步互联网广告的点击率和报答率;个性化引荐,还是经过机器学习的一些算法剖析平台上的各种购置,阅读和珍藏日志,得到一个引荐模型,来预测你喜欢的商品。
机器学习的思想并不复杂,它仅仅是对人类生活中学习过程的一个模仿。而在这整个过程中,最关键的是数据。任何经过数据锻炼的学习算法的相关研讨都属于机器学习,包括很多曾经开展多年的技术,比方线性回归(Linear Regression)、K均值(K-means,基于原型的目的函数聚类办法)、决策树(Decision Trees,运用概率剖析的一种图解法)、随机森林(Random Forest,运用概率剖析的一种图解法)、PCA(Principal Component Analysis,主成分剖析)、SVM(Support Vector Machine,支持向量机)以及ANN(Artificial Neural Networks,人工神经网络)。
深度学习
深度学习:deep learning,机器学习里面如今比拟火的一个topic(机器学习的一个子集),自身是神经网络算法的衍生(例如深度卷积多层神经网络),在图像,语音等富媒体的分类和辨认上获得了十分好的效果,所以各大研讨机构和公司都投入了大量的人力做相关的研讨和开发。
深度学习(Deep Learning)的概念源于人工神经网络的研讨。含多隐层的多层感知器就是一种深度学习构造。深度学习经过组合低层特征构成愈加笼统的高层表示属性类别或特征,以发现数据的散布式特征表示。深度学习是机器学习研讨中的一个新的范畴,其动机在于树立、模仿人脑停止剖析学习的神经网络,它模拟人脑的机制来解释数据,例如图像,声音和文本。
总结
数据发掘是个很广泛的概念,数据发掘常用办法大多来自于机器学习这门学科,也有来自数据库技术这门学科。深度学习是机器学习一类比拟火的算法,实质上还是原来的神经网络,而人工智能多指如今的机器学习,当然人工智能也远不止机器学习这一类技术。
上一条:人像比对算法,人脸活体检测辨认
下一条:区块链中的智能合约