是一個廣泛討論和研究的領域,其主要目標是使機器或電腦系統具備像人類一樣的智慧和智能表現。
AI這個詞早在1950年代就出現,科學家艾倫·圖靈(Alan Turing)提出的圖靈測試(Turing test),模擬人與機器之間的對話,評估機器是否能夠以一種方式回答問題,使人無法區分機器和真正的人之間的差異。到了1956年的達特茅斯會議被視為AI學科的創立,也標誌著人工智慧的發展。
是人工智慧的一個重要分支,主要特點是讓機器具有學習的能力。透過分析過去的資料,學習數學統計模型的特徵和規則,來對未來輸入的數據進行預測、分析和判斷。
機器學習依據類型的不同,可以分為下列四種:
使用標記(標籤)的數據進行訓練。這些標籤過的數據的輸入,能訓練機器做出相對應的輸出。例如,如果我們想要訓練一個圖像分類模型來區分狗和貓的照片,我們會提供大量的狗和貓的圖像,每張圖像都有相應的標籤,告訴模型哪些是狗,哪些是貓。模型會通過分析這些帶有標籤的圖像來學習區分兩者的特徵,從而在訓練完成後可以對新的圖像進行分類,判斷它們是狗還是貓。
它的特點是在訓練過程中不需要事先提供標籤或人類判斷的輔助,讓機器自行在資料的特徵中發現模式、關聯性或群集。例如,假設你有一袋蘋果,其中有兩種不同品種,你可以將這些蘋果根據它們的色相相似度分為兩組,來幫助你達到分類的目標。
結合監督式與非監督式學習的混合方式,同時使用有標籤數據和無標籤數據來訓練機器學習。
主要是讓機器在與環境互動中,並評估每個行為所得到的正負向回饋,逐步學習和調整其行為,以達到最大化預期的總體效益或回報。
是機器學習的一個分支,其主要特點是模仿人腦中的神經元結構,由多個層次的神經元組成神經網路進行複雜運算。簡單來說,深度學習是一種基於神經網絡的機器學習方法。
深度學習模型能夠自動從原始數據中學習特徵,而無需手動提取特徵。
推薦內容:
淺談AI發展