人工智能 (AI) 与机器学习 (ML)

您可能会听到人们常常将人工智能 (AI) 与机器学习 (ML) 互换使用，尤其是在讨论大数据、预测分析和其他数字化转型主题时。这种混用是可以理解的，因为人工智能本就与机器学习密切相关。不外，这两种前沿技术在某些方面（包罗范围、应用等）还是有所不同的。 

如今，人工智能和机器学习产品越来越多，企业可使用它们来处理和分析海量数据、做出更明智的决策、实时生成建议和数据洞见，并进行准确的预测。

那么，机器学习与人工智能究竟有何区别呢？机器学习与人工智能之间有何关联？这些术语对当今组织的实践意义又有何不同呢？

我们将详细介绍人工智能与机器学习，探讨这两个创新概念之间的关联及不同之处。

什么是人工智能？

人工智能是一个广义的领域，是指利用技术构建出能够模仿与人类智能相关的认知功能的机器和计算机，例如能够看到、理解并对白话或书面语言做出反应，分析数据，提出建议等等。

虽然人工智能本身通常被认为是一个系统，但实际上它是系统中实现的一组技术，为的是使系统能够推理、学习和采取行动来解决复杂的问题。

什么是机器学习？

机器学习是人工智能的一个子集，可让机器或系统自动从经验中学习和改进。机器学习不是使用显式编程，而是使用算法来分析大量数据、从数据洞见中学习，然后做出明智的决策。

机器学习算法会随着训练的进行（接触越来越多的数据）不竭改进以提升性能。机器学习模型是输出，即程序通过对训练数据运行算法而学到的内容。使用的数据越多，获得的模型就越好。

人工智能和机器学习有何关联？

虽然人工智能与机器学习并不完全相同，但它们密切相关。可以按如下方式来简单地理解人工智能和机器学习之间的关联：

- 人工智能是一个更宽泛的概念，可让机器或系统像人类一样感知、推理、行动或适应

- 机器学习是人工智能的一种应用，可让机器从数据中提取知识并自主学习

要记住机器学习与人工智能之间的区别，一个有用的方法是把它们想象成伞形类别。人工智能是一个泛指的术语，涵盖各种具体的方法和算法。机器学习属于这一范畴（伞），当然还有一些其他的主要子领域也属于这一范畴，如深度学习、机器人、专家系统和自然语言处理。

人工智能与机器学习之间的差异

现在，您已经了解了人工智能和机器学习有何关联，那么它们之间的主要区别是什么呢？

虽然人工智能包含了可以模仿人类智能的机器的概念，但机器学习则没有。机器学习旨在通过识别模式来教机器如何执行特定的任务并提供准确的结果。

假设您问 Google Nest 设备“我今天通勤的时间有多长？”，在这种情况下，您需要向机器提问，然后得到一个关于您开车到办公室估计需要多长时间的答案。在这里，总体目标是让设备成功执行一项任务，一项在现实环境中通常必需由您本身完成的任务（例如研究您的通勤时间）。

在本示例中，在整个系统中使用机器学习的目标不是使其能够执行某项任务。例如，您可以训练算法来分析实时交通和路况数据，以预测交通流量和密度。但是，范围仅限于识别模式、预测的准确性以及从数据中学习以最大限度地提高特定任务的性能。

 人工智能

- 人工智能可让机器模拟人类智慧来解决问题

- 目标是开发可执行复杂任务的智能系统

- 我们构建的系统可以像人类一样解决复杂的任务

- 人工智能的应用非常广泛

- 人工智能可在系统中使用技术来模拟人类的决策过程

- 人工智能可处理所有类型的数据：结构化、半结构化和非结构化数据

- 人工智能系统使用逻辑和决策树来学习、推理和自我更正

 机器学习

- 机器学习可让机器按照过往数据自主学习

- 目标是构建可以从数据中学习的机器，以提高输出的准确性

- 我们使用数据训练机器，以执行特定的任务并提供准确的结果

- 机器学习的应用范围有限

- 机器学习使用自学习算法生成预测模型

- 机器学习只能使用结构化数据和半结构化数据

- 机器学习系统依靠统计模型进行学习，并且可以在有新数据提供时自我更正

将人工智能和机器学习结合使用的优势

人工智能和机器学习为各种形式和规模的组织带来了巨大的优势，并且新的可能性还在不竭出现。特别是，随着数据量的增长和复杂程度的增加，自动化的智能系统在帮手公司自动执行任务、发掘价值并生成富有实用价值的分析洞见以取得更好的结果方面变得至关重要。

以下是将人工智能和机器学习结合使用的一些业务优势：

- 数据范围更广，分析和激活更广泛的非结构化和结构化数据源。

- 决策过程更快，提高数据完整性、加快数据处理速度、减少报答错误，从而更快做出更明智的决策。

- 效率，提高运营效率并降低费用。

- 分析集成，将预测分析和数据洞见整合到业务报告和应用中，为员工提供助力。

人工智能和机器学习的应用

人工智能和机器学习可以应用在许多方面，例如可以帮手组织自动执行重复性或手动的流程，做出明智的决策。

各行各业的公司都在以各种方式使用人工智能和机器学习技术，以转变其工作方式和业务方式。通过将人工智能和机器学习功能整合到策略和系统中，组织可重新思考如何使用数据和可用资源、提高生产力和效率、通过预测分析增强数据驱动型决策，并改善客户和员工体验。   

          课程目录
00-课程介绍
01-课程简介_1 （背景与意义）
01-课程简介_2 （挑战和机遇）
01-课程简介_3 （如何实现智能）
01-课程简介_4 （模式与识别）
01-课程简介_5 （特征表达）
01-课程简介_6 （神经网络与深度学习）
01-课程简介_7 （教材与作业）
02-Python_1 (install)
02-Python_2 (basics)
02-Python_3 (print)
02-Python_4 (list)
02-Python_5 (tuple)
02-Python_6 (string)
02-Python_7 (dict)
02-Python_8 (control)
02-Python_9 (function)
02-Python_10 (class)
03-Numpy_1 (Basic)
03-Numpy_2 (FileIO_Index_Slicing)
03-Numpy_3 (Functions)
03-Numpy_4 (Reshape)
03-Matplotlib (基本功能)
04-kNN_1 (原理)
04-kNN_2 (算法)
04-kNN_3 (程序实现)
04-kNN_4 (类的实现)
05-kMeans_1（Theory）
05-kMeans_2（Program）
05-kMeans_3（Sklearn实现）
05-kMeans_4（Evaluation）
05-kMeans_5 (图像压缩）
05-kMeans_6（其他聚类方法）
06_LeastSquares_1 (Theory)
06_LeastSquares_2 (Iterative Solve)
06_LeastSquares_3 (SGD)
06_LogisticRegression_1 (Theory)
06_LogisticRegression_2 (Program)
07_Perceptron_1 (感知机的原理)
07_Perceptron_2 (感知机的算法与实现)
07_MLP_1 (多层神经网络)
07_MLP_2 (神经网络的正向计算)
07_MLP_3 (反向传播的原理)
07_MLP_4 (多层神经网络的训练算法与实现)
08-PyTorch_1 (PyTorch基础)
08-PyTorch_2 (自动求导)
08-PyTorch_3 (线性模型的PyTorch实现)
08-PyTorch_4 (逻辑回归的PyTorch实现)
08-PyTorch_5 (神经网络的PyTorch实现)
08-PyTorch_6 (PyTorch的两类实现方式)
08-PyTorch_7 (深层神经网络)
08-PyTorch_8 (网络参数初始化)
09-卷积神经网络_1 (深度学习简介)
09-卷积神经网络_2 (浅层机器学习面临的问题)
09-卷积神经网络_3 (卷积神经网络原理)
09-卷积神经网络_4 (卷积与池化)
09-卷积神经网络_5 (VGG网络)
09-卷积神经网络_6 (GoogLeNet网络)
09-卷积神经网络_7 (批归一化)
09-卷积神经网络_8 (学习速率衰减)
09-卷积神经网络_9 (网络正则化与数据增强)