【人工智能】主要人工智能技术及深度学习及传统机器学习区别与联系

主要人工智能技术的基本概念和应用场景

机器学习英文简称ML是一门涉及统计学、系统辨识、逼近理论、优化理论、计算机科学、脑科学等诸多领域的交叉学科，主要研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

计算机视觉：是使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类提取、处理、理解和分析图像及图像序列的能力。该技术主要应用于自动驾驶、机器人、智能医疗等领域。

自然语言处理：简称NLP主要研究实现人与计算机之间用自然语言进行有效通信的各种理论和方法。主要包括机器翻译、机器阅读理解、问答系统等。

知识图谱：知识图谱本质上是结构化的语义知识库，是一种由节点和边组成的图数据结构，以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是“实体-关系-实体”的三元组，以及实体及其相关“属性-值”对。主要应用于反欺诈、不一致性验证、组团欺诈等公共安全保障领域；在搜索引擎、可视化展示、精准影响方面也有很大的应用。

SLAM：同步定位与建图是市场上使用较为广泛的室内自主定位与导航技术，采用该技术可以根据传感器的信息，一边计算自身位置、一边构建环境地图或环境模型。

交互技术：人机交互是与认知心理学、人机工程学、多媒体技术、虚拟现实技术等密切相关的综合学科，它主要研究人与计算机的信息交互，主要包括人到计算机和计算机到人。

VR/AR/MR等技术是以计算机为核心的新型视听技术，结合相关科学，在一定范围内生成与真实环境在视觉、听觉、触觉等方面高度近似的数字化环境。用户借助必要的装备与数字化环境中的对象进行交互，相互影响，获得近似真实环境的感受和体验。从技术特征角度，按照不同处理阶段，可以分为：获取与建模技术、分析与利用技术、交换与分发技术、展示与交互技术、技术标准与评价体系5个方面。

生物特征识别：是指通过个体生理特征或行为特征对个体身份进行识别认证的技术。从应用流程看，生物特征识别通常分为注册和识别两个阶段。该技术在金融、公共安全、教育、交统等领域都有应用。

深度学习与传统机器学习的区别与联系

深度学习的概念来源于人工神经网络英文简称ANN，所以又称深度神经网络DNN，人工神经网络主要使用计算机的计算单元和存储单元模拟人类大脑神经系统中大量的神经细胞(神经元)通过神经纤维传导并相互协同工作的原理。深度学习在一程度上等同于多层或深层神经网络。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文本、图像和声音等数据的解释有很大的帮助，它的最终目标是让计算机能够像人一样具有分析学习的能力、能够识别文字、图像和声音等数据。

深度学习	传统的机器学习
对特征的识别由算法自动完成，准确度更高	手动编码特征
一次性端到端解决问题	先分后合（分成几块逐步解决最后在重新组合）
模型结构深度，通常有6层、6层甚至十几层	模型结构深度一般3层
都需要数据驱动	都需要数据驱动
都需要特征提取	都需要特征提取
都需要模型优化	都需要模型优化