机器学习和人工智能之间的差异

人工智能（AI）和机器学习（ML）是更广泛的计算机科学范畴中两个密切相关但又不同的范畴。人工智能是一门专注于创建智能机器的学科，这些机器能够履行一般需求人类智能的使命，例如视觉感知、语音辨认、决议计划和自然语言处理。它触及开发能够依据输入数据进行推理、学习和决议计划的算法和体系。

另一方面，机器学习 (ML) 是人工智能的一个子范畴，触及教训机器从数据中学习，而无需明确编程。机器学习算法能够辨认数据的形式和趋势，并运用它们来做出猜测和决议计划。机器学习用于构建猜测模型、对数据进行分类和辨认形式，是许多人工智能运用程序的重要工具。

人工智能和机器学习的开展有潜力改变各个行业并在许多方面改进人们的生活。人工智能体系可用于确诊疾病、检测诈骗、剖析财务数据和优化制造流程。机器学习算法能够协助个性化内容和服务，改进客户体会，乃至协助处理世界上一些最紧迫的环境应战。

虽然人工智能和机器学习有许多好处，但人们也忧虑与这些技能相关的潜在危险和应战。其间包括作业岗位丢失的危险、对人类自主和决议计划的影响，以及人工智能和机器学习以有害办法运用的可能性。因而，以负责任和合乎品德的办法开发和运用人工智能和机器学习，并处理与这些技能相关的潜在危险和应战非常重要。

人工智能（AI）

人工智能 包括“人工智能”和“人工智能”两个词。人工是指人类制造的东西或非自然的东西，智能是指了解或考虑的才能。人们有一种误解，以为人工智能是一个体系，但其实它不是一个体系。体系中实现了人工智能。人工智能能够有许多界说，其间一个界说能够是“它是一门研讨怎么练习计算机，以便计算机能够做目前人类能够做得更好的作业”。因而，咱们希望将人类所拥有的所有才能添加到机器中，这是一种智能。

机器学习（ML）

机器学习是机器无需明确编程即可自行学习的学习。它是人工智能的一种运用，为体系供给主动学习和从经历中改进的才能。在这里，咱们能够经过集成该程序的输入和输出来生成一个程序。机器学习的简略界说之一是“假如学习者在该类使命中的体现（按 P 衡量）随着经历而进步，则机器学习能够从经历 E 中学习某类使命 T 和绩效指标 P。”

人工智能 (AI) 和机器学习 (ML) 之间的主要差异：

机器学习问题中应遵从的一般过程

机器学习是一种主动构建剖析模型的数据剖析办法。简略来说，机器学习便是“让机器学习”。机器学习是一个结合了许多传统学科的新范畴。它是人工智能的一个子集。

机器学习是一种主动构建剖析模型的数据剖析办法。简略来说，机器学习便是“让机器学习”。机器学习是一个结合了许多传统学科的新范畴。它是人工智能的一个子集。

什么是机器学习管道？

• ML 管道经过供给有关怎么持续处理机器学习模型的体系办法来表达作业流程。
• ML 管道主动化了机器学习的进程，而且遵从管道使得 ML 模型的进程变得体系化和简略。

以下是 ML 管道的示意图：

• 机器学习管道从数据搜集和集成开端。搜集数据后，完结数据剖析和可视化。此外，履行最要害的过程特征挑选和工程，然后练习模型。在该模型之后，评价就完结了，咱们的模型就能够进行猜测了！
• 为了更好地了解管道，请考虑为公司的客户服务构建一个机器学习模型。假设 XYZ 公司是一家在线书店，它向客户供给书本和 Kindle，而且该公司希望改进客户服务。它希望假如客户因任何问题拨打协助热线，例如替换书本、购买 Kindle 的投诉或其他一些服务。该公司希望确保客户的电话在最短的时刻内转接到正确的服务人员，而且整个进程应该顺畅。为了构建公司的客户服务模型，咱们将运用机器学习管道对模型进行体系开发。

1. 数据搜集与整合：

• 机器学习管道的第一步触及数据搜集和数据集成。
• 搜集的数据作为模型的输入（数据预备阶段）
• 输入称为特征。
• 在咱们考虑的示例中搜集的数据触及大量数据。搜集的数据应回答以下问题 – 曩昔的客户历史记录是什么？曩昔的订单是什么？顾客是咱们书店的高档会员吗？客户有 kindle 吗？客户之前是否曾提出过任何投诉？投诉次数最多的是多少？
• 数据越多，咱们的模型就越好。
• 搜集数据后，咱们需求整合和预备数据。
• 数据集成意味着将所有相关数据放在一起。
• 然后数据预备阶段开端，咱们手动地、批评性地探究数据。
• 数据预备阶段告诉开发人员数据契合预期。是否有满足的信息来做出精确的猜测？数据是否共同？

2. 探究性数据剖析和可视化：

• 预备好数据后，开发人员需求将数据可视化，以便更好地了解数据集中的联系。
• 当咱们看到数据时，咱们能够注意到咱们在第一阶段可能没有注意到的看不见的形式。
• 它能够协助开发人员轻松辨认丢失的数据和异常值。
• 数据可视化能够经过绘制直方图、散点图等来完结。
• 可视化完结后，对数据进行剖析，以便开发人员能够决议他能够运用哪种机器学习技能。
• 在所考虑的示例情况中，无监督学习可用于剖析客户购买习气。

3. 特征挑选和工程：

• 特征挑选意味着挑选开发人员想要在模型中运用哪些特征。
• 应挑选特征，使得它们之间存在最小相关性，而且所选特征和输出之间存在最大相关性。
• 特征工程是将原始数据处理成新的潜在数据的进程，其间包括许多特征。
• 简而言之，特征工程便是将原始数据转换为有用的数据，或许最大限度地使用原始数据。
• 特征工程能够说是机器学习管道中最要害和最耗时的过程。
• 特征挑选和工程回答问题——这些特征对咱们的猜测有意义吗？
• 它触及数据的精确性和精确度。

4.模型练习：

• 前三步完结后咱们就进入模型练习阶段。
• 这是开发人员依据数据练习模型的正式第一步。
• 为了练习模型，数据被分为三部分：练习数据、验证数据和测验数据。
• 大约 70%-80% 的数据进入用于练习模型的练习数据集。
• 验证数据也称为开发集或开发集，用于防止过度拟合或欠拟合情况，即启用超参数调整。
• 超参数调整是一种用于对抗过度拟合和欠拟合的技能。
• 模型评价期间运用验证数据。
• 大约 10%-15% 的数据用作验证数据。
• 其他 10%-15% 的数据进入测验数据集。测验数据集用于模型预备后的测验。
• 在切割数据时随机化数据集以取得精确的模型至关重要。
• 能够运用 Python 中的 Scikit learn 来随机化数据。

5.模型评价：

• 模型练习后，验证或开发数据用于评价模型。
• 为了取得最精确的猜测，测验数据可用于进一步的模型评价。
• 模型评价后创建混杂矩阵，以数值计算精确度和精度。
• 模型评价后，咱们的模型进入最后阶段，即猜测。

6.猜测：

• 在猜测阶段，开发人员布置模型。
• 模型布置后，就能够进行猜测了。
• 对练习数据和测验数据进行猜测，以便更好地了解构建模型。

模型的布置不是一次性的。随着越来越多的数据生成，模型会依据新数据进行练习，再次评价并再次布置。模型练习、模型评价、猜测阶段相互循环。

引荐阅览

• 什么是机器学习,机器学习与人工智能的差异是什么（一）?
• 什么是机器学习,机器学习与人工智能的差异是什么（一）：机器学习的类型