机器学习与人工智能：有什么区别？

人工智能不是一回事。

它更像是一个总括性术语，将计算机科学的几个子领域结合在一起。该领域分为多个部分，算法，理论和应用。

每个人都有不同的目标和方法来追求它们。有些人比其他人在相同的时间线甚至接近时间线内更好地实现了他们的目标。

机器学习是人工智能的子领域之一。它指的是让计算机在没有明确编程的情况下从数据中学习的过程。

机器学习一词是在 1959 年创造的，但随着贝叶斯定理的发现，它的历史可以追溯到预编码时代（大约 19 世纪中叶）。它在 90 年代开始流行，不应与“人工神经网络”或“深度学习”等其他术语混淆。

非机器学习的其他人工智能领域。

在人工智能的养育下，机器学习有兄弟姐妹。一些兄弟姐妹是自然语言处理、认知计算、机器人和计算机视觉。这些领域是围绕与机器学习不同的概念构建的。

自然语言处理 (NLP)

自然语言处理是教计算机理解和生成人类语言。

它将基于规则的人类语言建模与统计、机器学习和深度学习算法相结合。今天，NLP 被应用于许多任务，例如机器翻译、文本摘要和对话系统。

认知计算

认知计算是制造可以像人类一样思考的计算机系统的过程。

该子领域的一个突破是神经网络的发现。神经网络是一种模拟人脑工作的方式。

相关：如何评估深度学习是否适合您？

认知计算用于图像和语音识别等领域，

机器人

机器人技术是人工智能的一个子领域，涉及机器人的设计、建造和操作。机器人技术可能是人工智能最成熟的子领域，并且已经实现了重要的商业部署。

计算机视觉

计算机视觉是指计算机解释和理解数字图像的能力。主要用于人脸识别、物体识别、场景理解等任务。

机器学习仍然在人工智能中发挥着核心作用。

它本身就是人工智能的一个子领域，但它也被用于其他领域。

第一个已知的用途是在 50 年代由 Alan Turing 提出的，他在他的计算机和智能论文中介绍了它。

在那之后，研究人员一直在构建机器学习程序，这些程序现在对许多 AI 应用程序的成功至关重要。

机器学习更为广泛，并对其进行了更多研究。它在预测分析、欺诈检测和搜索引擎等特定领域也取得了商业上的成功。

机器学习不是一个独立的子领域，但它是其他成功子领域的关键组成部分。

一个例子是计算机视觉，其中机器学习用于诸如对象识别和场景理解之类的任务。

在自然语言处理中，机器学习可用于文本分类和情感分析等任务。

从哪里开始学习机器学习？

机器学习的根源在于统计学。

例如，您可以将机器学习视为处理模式识别和决策制定的预测分析的一个子集。

所以如果你有一些统计学的知识，就会更容易理解机器学习背后的概念。

拥有编程技能也很有帮助，因为很多机器学习都是通过编码完成的。

但是等等，即使您的统计知识和编程技能不是很好，您仍然可以成为机器学习工程师。

相关：如何在没有编码的情况下成为一名出色的数据科学家（+工程师）

KNIME 和 RapidMiner 等可视化分析工具使您无需编码即可轻松学习和使用机器学习。

这些工具提供了一个图形界面，您可以在其中拖放算法和连接器来创建数据管道。

您不需要任何编码技能即可完成此操作，几分钟内即可开始使用。