人工智能、ML、神经网络、深度学习和数据挖掘的区别

Question

我最近开始探索机器学习(ML)领域。我想我理解了ML和AI在高层次上的区别，但我想更准确地理解这些常用概念之间的区别。

经过一些研究，我得出了这些领域的以下界限。我是正确的还是不准确的？

• AI :人工智能是给机器的智能，用来模拟人类的智能，比如在环境中的反应和行为。它可以包括机器学习，自然语言处理，机器人，一般智能或强人工智能，其他。它是ML的超集
• ML是AI的特定领域，它帮助开发基于样本数据(训练数据)的程序，而不是硬编码规则/编程(如求和/乘法)。机器学习基本上是从过去的数据中学习，然后预测/分类给定的输入。例如，它可以在推荐引擎/欺诈检测/图像处理等方面提供帮助。
• 深度学习:- DL是ML的进一步子集，而且比它更深。在ML中，软件前端知道训练数据的特征及其输出分类，而在DL中，算法本身识别训练数据的相关特征/属性。
• NN:- -神经网络是用于机器学习的一组特定算法，它使用人工神经元的图形对数据建模，这些神经元是“模仿大脑中的神经元如何工作”的数学模型。所以我们可以说ML/DL使用NN来完成他们的工作。
• 数据挖掘：-数据挖掘是关于使用统计以及其他编程方法来发现隐藏在数据中的模式，以便您可以解释某些现象。数据挖掘建立了对某些数据中实际发生的事情的直觉，而且它对数学的理解比编程更多，但两者都使用。机器学习使用数据挖掘技术和其他学习算法来建立一些数据背后正在发生的事情的模型，以便能够预测未来的结果。

在这里，我用来标识这些边界的源：

• 艾对ML
• 毫升与深度学习1和2
• 毫升对神经网络
• 毫升对数据挖掘

Answer 1

你是正确的人工智能，其中包括ML，其中包括DL。

NN确实可以包含在ML中，无论它是在DL上下文中还是在DL上下文之外。后者的一个例子是在简单的基于任务的学习中使用神经元网络(例如在图片中识别汽车牌号)。

数据挖掘比你的定义要宽泛一些，因为它不仅是解释现象，而且是发现现象。机器学习和深入学习可以帮助实现这一目的。但它们也有与数据挖掘无关的应用程序(例如，DL可以用于NLP和机器翻译，而无需作为挖掘数据和发现未知语法规则的目标)。因此，ML和DM是两个相交的集合，但它们都不包含在另一个集合中，而且每个集合都受益于彼此的进步。

图形摘要：