資料探勘、機器學習、深度學習和人工智慧概念
阿新 • • 發佈：2022-04-18
機器學習可以簡單解釋為使用一些演算法從資料中分析出某種規律，然後利用這一規律對未知資料進行預測，所以機器學習不是手動編寫某種程式去完成一個任務，而是使用大量的資料和演算法來“訓練”機器，讓機器通過“學習”具備執行某項任務的能力。
資料探勘則可以認為是機器學習的代名詞，資料探勘用到的演算法基本上都是機器學習演算法，但資料探勘更加側重於對演算法的應用而不是演算法本身。
深度學習則是通過計算機來模擬或實現人類的學習行為，以獲取新的知識和技能，重組已有的知識結構，不斷改善自身效能，大家所熟知的AlphaGo和自動駕駛技術都是這一領域的案例。
深度學習和機器學習的一個重要區別是:在傳統機器學習中，特徵提取都是靠人工完成的，而人工提取特徵是一種費時費力的做法，且需要專業知識作為指導，在一定程度上要靠經驗和運氣，並且還需要大量時間進行調優，而深度學習則是無監督的特徵學習。
關於人工智慧，這是一個較為寬泛的概念，前面提及的機器學習、資料探勘和深度學習都算人工智慧的範疇，但人工智慧還會涵蓋其他一些非機器學習演算法，因此它是含義最為寬泛的。總體來說，一般認為人工智慧包含了機器學習，機器學習包含了深度學習，這就是三者之間的關係。
資料探勘則可以認為是機器學習的代名詞，資料探勘用到的演算法基本上都是機器學習演算法，但資料探勘更加側重於對演算法的應用而不是演算法本身。
深度學習則是通過計算機來模擬或實現人類的學習行為，以獲取新的知識和技能，重組已有的知識結構，不斷改善自身效能，大家所熟知的AlphaGo和自動駕駛技術都是這一領域的案例。
深度學習和機器學習的一個重要區別是:在傳統機器學習中，特徵提取都是靠人工完成的，而人工提取特徵是一種費時費力的做法，且需要專業知識作為指導，在一定程度上要靠經驗和運氣，並且還需要大量時間進行調優，而深度學習則是無監督的特徵學習。
關於人工智慧，這是一個較為寬泛的概念，前面提及的機器學習、資料探勘和深度學習都算人工智慧的範疇，但人工智慧還會涵蓋其他一些非機器學習演算法，因此它是含義最為寬泛的。總體來說，一般認為人工智慧包含了機器學習，機器學習包含了深度學習，這就是三者之間的關係。