1.什么是人工智能?
人工智能和机器学习是两个通常可以互换使用的术语。但它们不是一回事。人工智能是一个包含许多子领域的领域，包括机器学习。
人工智能是一门计算机科学的分支，旨在构建能够模仿或超越人类智能行为的机器，例如理解语言、识别图像、推理决策等。人工智能可以分为弱人工智能（weak AI）和强人工智能（strong AI），前者指只能在特定领域或任务上表现出智能的系统，后者指能够在任何领域或任务上表现出与人类相当或更高的智能的系统。
人工智能的子领域:
- Machine Learning（机器学习）
机器学习是人工智能的子领域，涉及创建能够从过去的经验中学习的算法和统计模型。换句话说，它是人工智能的一部分，负责教人工智能系统如何使用由特定情况下的数据训练的复杂统计算法在规定的情况下采取行动。
- Natural Language Processing（自然语言处理）
自然语言处理是人工智能的子集，负责使人工智能系统能够使用自然人类语言（例如英语）进行交互。换句话说，它是人工智能的一个分支，负责使人工智能能够理解和使用口语和文本。
NLP涉及使用统计模型以对人类有意义的方式理解，解释和生成人类语言。这里的人类语言包括人类所说的所有语言。它是ChatGPT，Siri，Alexa等聊天机器人背后的技术。
- Expert Systems（专家系统）
专家系统可能是人工智能最严格的子集，因为它完全依赖于包含事实，数据和“if-else”规则的知识库，试图模仿某个领域的专家的决策。它是使用明确规定的规则和推理技术在特定领域（例如医学）做出明智的决定。
- Computer Vision（计算机视觉）
计算机视觉是人工智能的一个子集，它利用统计模型来帮助计算机系统理解和解释环境中的视觉信息，本质上是计算机如何“看到”事物，然后理解它们所看到的。它负责识别对象。计算机视觉（或者更确切地说是）负责创造高效的自动驾驶汽车、无人机等。
-
Robotics（机器人）
机器人本质上是上述所有概念的整合。它是负责使AI系统在物理世界中感知，处理和行动的子领域。机器人技术涉及使用算法，这些算法可以识别其直接环境中的物体，并解释与这些物体的交互如何改变它们的当前状态以及环境中的人的状态。机器人用于医药、制造、电子商务（仓库）等领域
2.什么是机器学习
正如我们之前所讨论的，机器学习是人工智能的一部分，它负责训练人工智能系统如何在某些情况下或执行某些活动时采取行动。它使用复杂的统计算法来做到这一点，这些算法由基于相关活动（如驾驶）的性能的数据训练。
换句话说，机器学习涉及向计算机提供原始数据。然后，通过使用算法，它从该数据创建一个模型，然后用于做出预测或决策。
机器学习通常被误认为与人工智能是一回事。但正如我们已经看到的，它只是整个人工智能的一部分。
虽然机器学习是人工智能的一个子集，但它可以说是人工智能最重要的部分。这主要是由于一个简单的事实，即它是其他子领域（如自然语言处理和计算机视觉）的功能所必需的。
人工智能实现需要两样东西才能发挥作用：数据和学习算法。在自然语言处理系统可以使用自然人类语言进行交互之前，它们需要有关人类语言和算法的数据，以用于学习如何高效和正确地应用语言数据。
机器学习分类：
- Supervised Learning 监督学习
这种机器学习技术涉及通过向机器学习模型提供包含输入示例和结果输出的数据来教授机器学习模型来预测输出。然后，监督学习算法能够找到输入和输出之间的关系，并使用该知识模式来构建模型。
请注意，监督学习进一步分为 2 个子领域，即分类和回归。
- Unsupervised Learning 无监督学习
无监督学习是监督学习的对立面。它不是同时提供输入和输出数据来指导模型，而是只提供输入数据并让算法进行关联。
请注意，监督学习和无监督学习这两种技术分别适用于不同的用例。当有陈述的结果（最好是线性）时，监督学习是最佳的，而当没有明确陈述的结果并且数据中没有明确的结构时，最好使用无监督学习。
- Semi-Supervised Learning 半监督学习
半监督学习在于监督学习和无监督学习之间的分裂。可以想象，它需要一种情况，即使用结构化和非结构化数据构建模型。半监督学习的存在是因为数据收集和数据清理的复杂性。虽然监督学习最能获得准确的结果，但获取包含输入和输出的数据需要以数据标记的形式付出巨大的努力。
- Reinforcement Learning 强化学习
强化学习涉及人工智能代理根据其行为获得奖励或惩罚。这使代理能够从错误中吸取教训，经过持续反馈后，AI代理能够从错误的行为中辨别出正确的动作。结果，你会得到一个知道如何在某个环境中行动的工作模型，并在将来的操作中更有效率（此技术通常用于创建游戏）。
- Deep Learning 深度学习
深度学习简单地利用神经网络，通过使用更多的神经网络层来解决难题。当数据被输入到深度学习模型中并通过神经网络的每一层时，网络能够更好地理解输入的数据并对其进行更抽象（创造性）的解释，所以用基本的话来说，深度学习只是神经网络的集合，即问题越复杂，涉及的神经网络就越多。
- Transfer Learning 迁移学习
为了规避从头开始构建新模型的挑战，您可以使用预先训练的模型。在继续之前，必须知道预训练模型是已经针对面部识别等大型任务进行训练的模型。
迁移学习通常以两种方式实现：微调和特征提取。
- Online Learning 在线学习
简而言之，在线学习是一种机器学习技术，涉及在新数据可用时不断更新模型。它在数据动态且不断变化的方案中非常有用。
- Batch Learning 批量学习
批量学习是在线学习的对立面。不是使用新数据集不断重新训练模型，而是批量训练模型。这意味着您可以累积数据，然后使用它一次性训练模型。
3.总结
在前面的部分中，我们介绍了 AI 和机器学习之间的差异。但是，由于一个概念是另一个概念的子集，因此我认为涵盖两者之间的关系同样重要。
从本质上讲，人工智能是研究、设计和开发在认知上能够执行人类可以执行的动作、活动和任务的系统。它通过在数据集上进行训练来实现这一点，这些数据集包含有关如何执行这些操作、活动和任务的数据。
机器学习是人工智能的一部分，它涉及获取这些数据集，并通过使用线性回归等高级统计算法来训练模型。然后，该模型将成为AI系统如何理解数据的基础，因此。它如何执行它被训练要做的动作。
例如：构建AI系统类似于构建汽车，而机器学习就像为其提供动力的引擎。就像汽车需要发动机来产生动力并推动其前进一样，人工智能系统需要机器学习来处理数据并做出准确的预测。
例如：为了构建有助于预测癌症的人工智能系统，机器学习算法用于分析大量医疗数据、识别模式并预测患者是否患有癌症。这个过程就像汽车的引擎（机器学习模型），它将燃料（数据）转化为运动，并为车辆（人工智能系统）提供动力。