【机器学习】核心概念
一、人工智能三驾马车：AI、ML、DL
1.1 AI（人工智能）
人工智能（Artificial Intelligence，简称 AI）作为当今科技领域的热门话题，其目标是让机器具备人类智能，从而在各个领域为人类提供帮助。
- 在自动驾驶方面，AI使得汽车需要具备强大的感知环境能力，通过各种传感器收集道路、交通标志、行人等信息，并进行实时分析。然后，汽车的智能系统根据这些信息决策路径，包括转弯、加速、减速、避让等操作，就像人类司机一样在复杂的城市交通网络中安全行驶
- 在医疗领域，AI辅助诊断系统能够分析病人的病历、影像资料等，帮助医生快速准确地判断病情
- 在金融行业，AI可以对海量的交易数据进行分析，识别异常交易模式，防范金融风险
- 在智能家居系统中，AI 能够根据用户的习惯自动调节家电设备，提高生活的舒适度
1.2 ML（机器学习）
机器学习（Machine Learning，简称 ML）是实现人工智能的关键手段。它通过数据训练模型，使机器具备从数据中学习的能力。
- 在语料翻译中，以 Google 翻译为例，它通过分析大量双语语料来学习翻译规则。这些双语语料包含了各种语言之间的对应关系，机器学习算法从中提取模式，从而能够对新的文本进行准确翻译
- 在安防监控中，机器学习模型可以对监控视频中的图像进行分析，识别人脸、车辆等关键信息，实现智能安防预警
- 在工业生产中，通过对生产线上的产品图像进行学习，机器能够快速准确地检测出产品的缺陷，提高生产质量
1.3 DL（深度学习）
深度学习（Deep Learning，简称 DL）是机器学习的一个子集，它基于深层神经网络。
- 在医学药物领域，以 AlphaFold 为例，它通过深度学习成功预测了蛋白质结构。蛋白质结构预测对于生命科学研究和药物研发至关重要，传统的研究方法需要耗费大量时间和精力。而深度学习通过构建复杂的神经网络模型，能够从海量的生物数据中学习到蛋白质结构的规律，从而快速准确地进行预测
- 在语音识别领域，智能语音助手如 Siri、小爱同学等，能够准确识别用户的语音指令，并做出相应的回应。这背后是深度学习模型对大量语音数据的学习和分析，使机器能够理解不同口音、语速和语调的语音
1.4 三者关系
- AI 是最终的目标，是让机器具备人类智能这一宏大愿景
- ML 是实现 AI 的主要途径，通过各种算法和模型让机器从数据中获取知识
- DL 则是 ML 的一个重要技术分支，它利用深层神经网络的强大能力，在处理复杂数据和任务时表现出色，为 AI 的发展提供了强大的动力
二、学习方式对比
2.1 基于规则的学习
早期的基于规则的学习方式在一定程度上满足了人们对自动化处理的需求。例如，早期垃圾邮件过滤规则规定：若邮件标题含 “低价” 或 “促销” 等敏感词汇，则标记为垃圾邮件。这种方式简单直接，对于一些明显的垃圾邮件能够快速识别。
然而，这种方式的局限性也很明显。在面对复杂场景时，例如图片识别，基于规则的学习就显得无能为力。因为图片中的信息丰富多样，难以用简单的规则来描述和判断。而且，随着垃圾邮件发送者不断变化手段，规则需要不断更新和维护，这增加了系统的复杂性和成本。
2.2 基于模型的学习
基于模型的学习则更具灵活性和适应性。
- 在房屋价格预测中，它通过分析历史数据中的房屋面积、位置、朝向等特征，自动学习房价规律。模型能够从大量的数据中提取出复杂的模式，而不仅仅依赖简单的规则。
- 在医疗影像诊断中，它通过对大量医学影像数据的学习，模型能够识别出病灶、异常组织等特征，辅助医生进行疾病诊断。而且，随着数据的不断积累和模型的优化，其诊断准确率也在不断提高。
这种学习方式能够更好地应对复杂多变的现实问题，为各个领域的智能化发展提供了有力支持。
微语录：相信人生不会亏待你，你吃的苦，你受的累，你掉进的坑，你走错的路，都会练就独一无二的你。