我们将在本节中逐一讨论时下人工智能火热的四个领域:
“机器学习是一个研究领域，其中计算机从可用数据 / 历史数据中学习，而无需显式编程。”
在机器学习中，我们不会为每种类型的问题显式地编写代码，即机器会试图找出如何处理问题。在机器学习方法中，我们将使用不同的方法，而不是直接给出指令，而是使用一种特殊的算法来识别模式，并根据这些模式来预测最佳的可能输出。
机器学习可以进一步分为 3 类:
-
监督学习: 这里输入和输出两个标签都是已知的。目标是根据 i / p 和 o / p 数据训练模型，并预测输入标签的输出。
-
无监督学习: 这里输出标签是未知的，目标是通过聚类或关联使数据有意义。
-
强化学习: 强化学习是一种反馈奖励算法，它有一个代理人，该代理人接受过某些命令的训练并执行某个动作。对于每一个动作，代理都会得到反馈，并不断改进其表现。
我们知道，机器学习是人工智能的一个领域。深度学习是机器学习的一个子集。深度学习模型的唯一区别是，在没有任何具体指导的情况下，有了经验模型会变得更好。在深度学习中，模型会根据反馈进行奖励和惩罚，然后它会根据输入参数相应地调整权重。
深度学习需要大量的数据来建立模型。深度学习模型是基于神经网络的。深度学习算法中使用的神经网络是人脑神经元的复制品。在人脑中，神经元相互关联形成深度神经网络，在深度学习中，人工神经元也相互连接形成深度神经网络，这就是为什么这种类型的学习被称为深度学习。在 AI 中，人类神经元的副本是感知器，它们连接在一起形成深度神经网络。感知器有输入节点(人脑中的树突)，做出小决定的驱动功能和输出节点(人脑中的轴突)。
深度神经网络由 3 部分组成:
-
输入层:网络的第一层接收原始输入，并在处理后将其传播到下一层神经元。
-
隐藏层:这些层是中间的，根据问题的复杂程度，层数从一层到数百层不等。从输入层传来的信息在每一层神经元中进行处理，然后传递给下一层。
-
输出层:这是神经元的最后一层，向最终用户提供输出。
-
自然语言是人类通常使用的语言。自然语言程序设计可以看作是语言学的一个分支，涉及计算机和人类之间的相互作用。在 NLP 中，我们试图让计算机像人一样理解。
-
有两种方法可以实现 NLP 一种是基于规则的自然语言处理，另一种是统计的自然语言处理。在基于规则中，规则是基于语言的语法规则定义的。在统计 NLP 中，机器被输入大量数据，称为 全集 真实世界交流的例子。然后，算法会尝试从数据中学习，并建立模型，该模型可以基于以前的经验理解任何指令，并使其有意义。
-
统计 NLP 更好，因为人类在一般交流中不拘泥于语法规则，而且说话的方式也因人而异。在基于规则的 NLP 中，为所有人定义规则变得非常复杂，一些规则与其他规则相矛盾，这使得它更加困难。
-
如今，我们在日常生活中使用许多在线工具、应用程序和网站，例如银行、在线购物、在线课程。现在，如果我们遇到任何问题，我们会联系在线工具、应用程序或网站支持团队。另一端的支持人员将为我们提供解决方案。这里很多时候的情况是，很多客户都有类似的疑问。
-
为了处理这些查询，现在我们有聊天机器人，它们根据客户以前的查询进行训练，针对什么查询什么可能是最好的解决方案。我们现在到处都可以看到这样的聊天机器人，例如，在亚马逊网站上，我们可以看到帮助选项，如查询与哪个订单相关，以及关于什么交货或优惠券或付款，在提供所有信息后，我们会得到聊天机器人自动生成的回复。
-
此外，我们有虚拟助理，如 Alexa，Siri 和 Google home 可供我们使用，它们可以准确地跟随我们的命令，并提供相关信息。你可以告诉他们提醒任何事件或打电话给某人或播放你最喜欢的音乐，他们会照做。
顾名思义，人工智能是人工创造的机器智能，以使它们变得聪明，并完成人类可以完成的任务。人工智能有许多子集，包括数学、科学等等。我们已经讨论了一些重要的子集，如机器学习、深度学习、自然语言处理和虚拟助手。
原文链接：https://www.bilibili.com/read/cv20193355
