機器學習數據科學人工智能深度學習和統計學之間的區別是什么？

1、數據科學(DS)

簡單定義為：數據科學是從數據中提取有用知識的一系列技能和技術。

這些技能通常用德魯·康威（Drew Conway）創造的維恩圖（或它的變體）來表示：

三個圓圈分別代表三個不同的領域：編程領域（語言知識、語言庫、設計模式、體系結構等）；數學（代數、微積分等）和統計學領域；數據領域(特定領域的知識：醫療、金融、工業等)。

這些領域共同構成了定義中的技能和技術。它們包括獲取數據、數據清理、數據分析、創建假設、算法、機器學習、優化、結果可視化等等。

數據科學匯集了這些領域和技能，支持和改進了從原始數據中提取見解和知識的過程。

什么是“有用的知識”？就是可以具有某種價值、可以回答或解決現實世界中問題的知識。

數據科學也可以定義為：研究應用數據處理和分析方面的進展，為我們提供解決方法和答案的領域。

1950年，艾倫·圖靈（Alan Turing）提出了這個問題，他甚至發明了一個著名的測試，來評估機器給出的答案是否與人類的答案相似。從那以后，對人工智能的幻想就開始了，重點在于模仿人類行為。

你做過那個測試嗎？

人工智能不是《銀翼殺手》中的復制人，也不是《太空堡壘卡拉狄加》中的賽昂人。我們可以把人工智能定義為任何具有某種智能行為的機器或軟件。

什么是智能行為?

問得好！這就是有分歧的地方。隨著機器不斷被開發出新功能，以前被認為是智能的任務也從人工智能環境中剝離了出來。

我們可將人工智能定義為能夠從其環境中正確解釋數據、從中學習，并在不斷變化的環境中使用所獲得的知識來執行特定任務的機器或軟件。

例如：一輛會自行停車的汽車不是智能汽車；它只是按照常規測量距離和移動。我們認為能夠自動駕駛的汽車就是智能的，因為它能夠根據周邊發生的事件(在完全不確定的環境中)做出決定。

人工智能領域包括幾個分支，它們目前正處于鼎盛時期。將其可視化后就能準確地知道我們在說什么：

機器學習是人工智能最重要的分支。它的任務是：研究和開發技術，使機器能夠在沒有人類明確指令的情況下自學，從而執行特定的任務。

機器將從輸入數據集(稱為樣本或訓練數據)中學習，根據算法檢測到的模式建立數學模型。該模型的最終目標是對之后來自相同數據源的數據進行(準確的)預測或決策。

傳統的機器學習主要有兩種類型：

· 監督學習：當訓練數據被“標記”時。這意味著，對于每個樣本，我們都有與觀察到的變量(輸入)和我們想要學習預測或分類的變量(輸出、目標或因變量)相對應的值。在這種類型中，我們找到了回歸算法(預測數值的算法)和分類算法(輸出僅限于某些分類值時)。

· 無監督學習：當訓練數據沒有標記時(我們沒有目標變量)。這里的目標是找到某種結構或模式，例如對訓練樣本進行分組，這樣我們就可以對未來的樣本進行分類。

傳統的機器學習已經讓位于更復雜或更現代的學習類型：

· 集成方法：基本上是幾種算法聯合使用，將它們的結果結合起來以獲取更好的結果。盡管XGBoost憑借在Kaggle的勝利而得名，但最常見的例子還是隨機森林。

· 強化學習：機器通過反復試誤來學習，這得益于它對周圍環境的迭代做出的反饋。你可能聽說過AlphaGo或AlphaStar（在《星際爭霸2》中實力碾壓人類）。

· 深度學習：皇冠上的寶石……

深度學習是機器學習中的一個子領域。

它基于人工神經網絡的應用。人工神經網絡是一個計算模型，具有分層結構，由相互連接的節點共同工作而形成。這個名字的靈感來自(或試圖模仿)大腦的生物神經網絡。

雖然神經網絡已經被研究和使用多年，但該領域的進展一直很緩慢；主要是限于計算能力不足。盡管深度學習近些年來取得蓬勃發展，這多少要歸功于神經網絡訓練采用了CPU，但其開始不過才十年。

人們普遍認為：任何機器學習問題，無論多么復雜，都可以通過神經網絡解決，只要把它做得足夠大就行了。如今，深度學習的發展帶動了人工智能其他領域的發展；無論是更傳統的領域(改善獲得的結果)，還是最流行的領域：自然語言處理、人工視覺、語音識別、逼真多媒體內容的生成等。

留言 點贊 關注

我們一起分享AI學習與發展的干貨

歡迎關注全平臺AI垂類自媒體 “讀芯術”