如今我们将对上述维恩图中圈选的6个核心概念进行分析，并供给一些关于若何将它们融入数据科学的洞察。我们很快就会摒弃以前十年最热点的一些术语。

收集上大年夜不缺乏对数据科学术语进行比较和比角９依υ?┞仿。文笔各别的人写出了各种各样的文┞仿，以此将他们的不雅点缀达给任何愿意倾听的人。这几乎是势弗成挡的。

所以我也记录一下，对于那些困惑此文是否也是雷同的帖子。对，是如许的。

为什么再来一帖?我是如许想的，尽管可能有很多分散不雅点在定义和比较这些接洽关系术语，但事实上是，这些术语中的大年夜部分是流动变更的，并不完全商定俗成，坦白地说，与他人不雅点一同裸露是测试和优化本身的不雅点的最好办法之一。

所以，固然大年夜家可能不会完全(甚至是极低限度地)赞成我对这些术语的大年夜部分看法，但仍然能大年夜中获得一些器械。数据科学中的一些核心概念须要被解释，或者至少在我看来是重要的，我会尽力阐述他们若何接洽关系，以及葱蛏这些个别概念组合在一路时碰到的困惑。

在自力地思虑概念之前，有个不合不雅点的例子，KDnuggets的Gregory Piatetsky-Shapiro的维恩图，概述了我们将要评论辩论的数据科学术语之间的关系。建议读者将此维恩图与今朝Drew Conway的有名的数据科学维恩图，以及我下面的评论辩论和帖子底部的修悛改程/关系图进行比较。我认为，尽管存在差别，但这些概念具有必定的类似性。

大年夜数据(Big Data)

有各类各样的文┞仿在定义大年夜数据，我不计算花太多时光在这个概念上。简单地来说，大年夜数据平日被定义为“超出常用软件对象捕获，治理和处理才能”的数据集。 大年夜数据是一个移动目标; 这个定义既模糊又精确，足以捕获其重要特点。

至于其他的概念，我们精晓过查询拜访，很好的获得搜刮字词典风行度和N-gram频率模型的一些初步懂得，以便将这个可贵与热点炒作分开。鉴于这两个概念相对较新，大年夜1980年至2008年，N-gram频率模型作为一个“旧”的概念如上图所示。

在我看来，AI是一个标尺，一个移动目标，一个欲望而弗成及的目标。每当我们迈向AI成就之路，不知何故，这些成就似乎又变成了被称为其他的器械。

比来的Google趋势显示2个新词上升，别的2个保持持续上升，以及最后一个逐渐降低但有明显的降低。请留意，因为已经对数据进行了定量分析，‘大年夜数据’未包含在上述图形中。持续浏览，以便进一步懂得不雅测结不雅。

机械进修(Machine learning)

据Tom Mitchell在关于这个主题的创作书中阐述，机械进修“关怀的问题是若何构建计算机法度榜样应用经验主动改进”。机械进修本质上是跨学科的，采取计算机科学，统计学和人工智能等方面的技巧。机械进修研究的重要工作是促进经验主动改进的算法，可以应用于各类不合范畴。

我不认为有人会困惑机械进修是数据科学的核心构成。我鄙人面给出数据科学的具体描述，如不雅你认为在一个异常高的程度上其目标是大年夜数据中获取洞察力，其实机械进修是许可此过程主动化的。机械进修与古典统计学有很多合营点，因为它使悠揭捉?本来揣摸和概括。数据统计更多地侧重于描述性(尽管可以经由过程外推来猜测)，机械进修对描述性分析的存眷很少，并且仅将其用作中心步调以便可以或许进行更好猜测。机械进修平日被认为是模式识其余同义词;真的不会大年夜我这里产生太多的不合，我信赖，‘模式辨认’这个术语意味实在际上是一个比机械进修更不复杂和更简单化的过程，这就是为什愦我偏向于躲避它。

机械进修与数据发掘有着复杂的关系。

数据发掘(Data Mining)

Fayyad，Piatetsky-Shapiro&Smyth将数据发掘定义为“大年夜数据中提取模式的特定算法的应用”。这注解，在数据发掘中，重点在于算法的应用，而不是算法本身。我们可以定义机械进修和数据发掘之间的关系如下：数据发掘是一个过程，在此过程中机械进修算法被用作提取数据集中的潜在有价值模式的对象。

‘数据发掘’作为机械进修的姊妹术语，也是数据科学的关键。在数据科学术语爆发泛滥之前，事实上，数据发掘’在Google搜刮术语中取得了更大年夜的成功。看看Google趋势比上图显示的还要早5年，数据发掘’曾经更受迎接。然而，今天，数据发掘’似乎被划分为机械进修和数据科学之间的概念。如有人赞成上陈述明，数据发掘是一个过程，那么将数据科学视为数据发掘的超集，那么后续的术语都是有意义的。

深度进修(Deep Learning)

尽管在早期的在线搜刮急剧爆发之前它已经存在，‘深度进修’仍是一个相对较新的术语。因为学术研究和工业的蓬勃成长，其在不合范畴取得了巨大年夜成就，深度进修是应用深层神经收集技巧(即具有多个隐蔽层的神经收集架构)来解决问题。深度进修是一个类似数据发掘的过程，它采取深层神经收集架构，这是特定类型的机械进修算法。

深度进修已经取得了令人印象深刻的成就。有鉴于此，至少在我看来，务须要留意几点：

• 深度进修不是灵丹妙药 – 对于每个问题来说，并不是一个简单一刀切的解决筹划。
• 这不是传说中的全能算法 – 深度进修不会代替所有其他机械进修算法和数据科学技巧，至少还没有被证实是如许。
• 适度的期望是须要的 – 尽管比来在各类类型的分类问题上，特别是计算机视觉和天然说话处理以及强化进修等范畴已经取得了巨大年夜的进步，但现代深度进修并没有扩大年夜到异常复杂的问题，例如“解决世界和平”。
   1/2    1 2 下一页 尾页
  
  

  　　推荐阅读

  　　新ICT助力能源互联网发展

  能源是现代社会赖以生计和成长的基本。为了应对能源危机, 各国积极研究新能源技巧,太阳能、风能、生物能等可再生能源因具有取之不竭、干净环保等特点而受到人们的高度看重。然则，可再生>>>详细阅读

  
  

  本文标题：人工智能、大数据与深度学习之间的关系和差异

  地址：http://www.17bianji.com/lsqh/36490.html

   1/2    1