人工知能と機械学習の違いは何ですか?


74

これら2つの用語は、特にコンピューターサイエンスとソフトウェアエンジニアリングでの応用において、関連しているようです。一方は別のサブセットですか?一方は他方のシステムを構築するために使用されるツールですか?それらの違いは何ですか、なぜ重要なのですか?

回答:


46

機械学習は、さまざまな方法で多くの人々によって定義されています。ある定義によれば、機械学習(ML)は、明示的にプログラムしなくてもコンピューターに学習する能力を与える研究分野です。

上記の定義を考えると、機械学習は、(多くの)データ(経験)がある問題に向けられていると言えます。この問題から、プログラムは学習でき、タスクを改善できます。

人工知能にはさらに多くの側面があり、マシンはデータから学習することでタスクを改善することはできませんが、ルール(例:Mycinなどのエキスパートシステム)、ロジックまたはアルゴリズム、たとえばパスを見つけることで知能を発揮します

本「人工知能:現代のアプローチ」は、制約充足問題確率的推論哲学的基盤など、AIのより多くの研究分野を示しています。


15

人工知能の定義は、人間的思考、合理的思考、人間的行動、合理的行動の4つのカテゴリに分類できます。次の図(人工知能:現代のアプローチから)はこれらの定義に光を当てます: 私が好きな定義はジョンマッカーシーによるものです。コンピューターを使用して人間の知能を理解するという同様のタスクに、AIは生物学的に観察可能な方法に限定する必要はありません。」

ここに画像の説明を入力してください



一方、機械学習はAIの分野であり、明示的にプログラムせずに出力の予測を改善するソフトウェアの作成を扱います。将来を予測するために、一連のデータに対してさまざまなアルゴリズムが使用されます。機械学習はデータ駆動型であり、データ指向です。機械学習は、パターン認識とAIの計算学習理論の研究から進化したものです。

一言で言えば、人工知能は、合理的なタスクを実行する機能をマシンに提供することを扱うコンピューターサイエンスの分野です。自然言語処理、自動化、画像処理、およびその他の多くがその一部です。
機械学習は、データ指向で予測を扱うAIのサブセットです。検索エンジン、YouTubeおすすめリストなどで使用されます。


2
機械学習はパターン認識に限定されませんが、それが最も大きな部分を占めています。
Cem Kalyoncu

14

機械学習は人工知能のサブセットです。大まかに言えば、学習面に対応しています。「公式」の定義はありません。境界は少し曖昧です。


1
間違っている場合は修正してください。ただし、人工知能機械学習のサブセットであり、機械学習は基本的なバイナリ分類でさえあると思います。
ルシャットライ

4
バイナリ分類はAIの問題と見なします。しかし、これらすべての定義は私が主観的にやめると同意します。
フランクデルノンクール

本当です。彼らは非常に主観的です。
ルシャットライ

両方のフィールドが互いに重なり合って特定のサブセットを形成しているようです。
ウグネス

10

多くの用語は「ほぼ」同じ意味を持っているため、違いは強調、視点、または歴史的降下にあります。どのラベルがスーパーセットまたはサブセットを参照しているかについて人々は同意しません。AIをMLのブランチと呼ぶ人々と、MLをAIのブランチと呼ぶ人々がいます。

私は通常、機械学習を「応用統計」の形式として使用し、学習データを十分に詳細に指定して、トレーニングデータをそこに入力し、反対側から有用なモデルを取得できると聞きます。

通常、人工知能は、環境またはコードに埋め込まれたあらゆる種類の知能を指すキャッチオール用語と聞きます。これは非常に拡張的な定義であり、他のものはより狭い定義を使用します(ドメイン固有ではない人工的な一般知能に焦点を合わせるなど)。(極端に言えば、私のバージョンにはサーモスタットが含まれています。)

これは、他のStackExchangeサイト、Cross ValidatedおよびData Scienceを指摘する良い機会でもあります。これらのサイトは、この状況とかなり重複しています。


10

機械学習は、その可能性のほんの一部にすぎない人工知能のサブセットです。これは、統計的/確率的手法と進化的手法に主に焦点を当てたAIを実装するための特定の方法です。Q

人工知能

人工知能は、「人間の知能を通常必要とするタスクを実行できるコンピューターシステムの理論と開発」です(視覚、音声認識、意思決定、言語間の翻訳など)。

AIは、問題解決、意思決定、言語コミュニケーションなどの人間のような認知機能をシミュレートすることを目的とした、人間以外の意思決定Qの概念と考えることができます。

機械学習

機械学習(ML)とは、基本的にデータからパターンを予測および識別することができるビルドモデルの実装による学習です。

コンピューターサイエンスのステファニーR.テイラー教授と彼女のレクチャーペーパー、およびウィキペディアのページによると、「機械学習は人工知能の分野であり、データから学習できるシステムの構築と研究に関するものです」(既存のスパムと非スパムを区別する方法を学ぶためのメールメッセージ)。

Oxford Dictionariesによれば、機械学習は「コンピューターが経験から学習する能力」です(たとえば、新しく取得した情報に基づいて処理を変更する)。

MLは、将来のデータのパターンを予測するための既存のデータのコンピューター化されたパターン検出と考えることができます。Q


言い換えれば、機械学習、自己学習アルゴリズムの開発に関与し、人工知能は、システム開発やソフトウェアを必要とする対応し、状況に行動する人間を模倣します。クオラ



3

現在、人工知能(AI)と機械学習(ML)は非常に人気のある2つの流行語であり、しばしば同じ意味で使用されているようです。

人工知能は、「スマート」と考える方法でタスクを実行できるマシンのより広い概念であり、マシン学習は、マシンにデータへのアクセスのみを許可するという考えに基づいたAIの現在のアプリケーションです。そして彼らに自分で学ばせます。

機械学習と人工知能に関する詳細情報を見つけることができます


3

理論ベースのAIは、機械学習の開発につながったものです。多くの場合、AIのサブセットと呼ばれますが、現在の最先端技術と考える方が本当に正確です。

機械学習は、いくつかの自己学習アルゴリズムを使用してデータに関する知識を取得しています。AIは、学習を通じて取得した知識に基づいて、機械が人間のサポートなしでタスクを実行する分野です。これが、MLがAIの平均のサブセットであるものです。


2

機械学習は、自己学習アルゴリズムの開発を伴う科学です。これらのアルゴリズムは本質的により一般的であり、さまざまなドメイン関連の問題に適用できます。

人工知能は、人間をまねて周囲で反応し行動するシステムまたはソフトウェアを開発する科学です。非常に広い範囲を持つフィールドとして、AIはその目標を複数のチャンクに定義しました。その後、各チャックはその問題を解決するための個別の研究分野になりました。

サクティ・ダサン・セカール


2

人工知能:動作中の人工物の知識の特性。

機械学習:知識のために情報を追加(学習)するための人工物の作り方


再:AI、それはパフォーマンスとは対照的に、あなたは知識であなたの定義をベースに、と私はあなたが知識がアクティブであることを修飾することを好むことは興味深いです(アーカイブ知識対活用知識。)
DukeZhou

2

簡単に言えば、人工知能は人間や他の動物の行動を模倣しようとする科学の分野です。

機械学習は、人工知能の背後にある重要なツール/テクノロジーの1つです。

ここに画像の説明を入力してください


1

現在、人工知能(AI)と機械学習(ML)は非常に人気のある2つの流行語であり、しばしば同じ意味で使用されているようです。それらはまったく同じものではありませんが、それらの認識は時々混乱を招く可能性があります。だから、違いを説明するために作品を書く価値があると思いました。

機械学習は人工知能の中核サブエリアです。これにより、コンピューターは明示的にプログラムされなくても自己学習モードになります。新しいデータにさらされると、これらのコンピュータープログラムは自分で学習、成長、変更、および開発できるようになります。


1

まず第一に、AIクラスよりもビジネスインテリジェンスクラスでMachineLearningという用語にはるかに出会った。

私のAI教授であるロルフファイファーは次のように言っていました:(知性とは何か、それをどのように定義できるか、さまざまな種類の知性などについて長い話をした後)。MLはより静的で「ダム」であり、その物理的な環境を認識せず、それと対話することも、抽象的にのみ行うこともできません。AIは環境をある程度認識しており、AIと自律的に対話することで、フィードバックループを使用して自律的に意思決定を行います。その観点から、ウグネスアンサーはおそらく最も近いでしょう。それに加えて、もちろん、MLはAIのサブセットです。

機械学習は本当のインテリジェンス(imho)ではなく、主に論理アルゴリズムに反映される人間のインテリジェンスであり、私のビジネスインテリジェンスの教授が言うように、データとその分析についてです。機械学習には多くの監視アルゴリズムがあり、実際には人間が学習プロセスをサポートするために何が正しいか、何が間違っているかを伝える必要があるため、独立していません。そして一度適用されると、アルゴリズムは人間が再調整するまでほとんど静的です。MLでは、ほとんどがブラックボックスデザインであり、主な側面はデータです。データが入力され、データが分析され(「インテリジェントに」)、データが出力され、ほとんどの場合、学習は実装前/学習段階に適用されます。ほとんどの場合、MLはマシンが置かれている環境を気にせず、データを気にします。

AIは、人間または動物の知能を模倣することを目的としています。私の教授のアプローチに従うと、AIは必ずしも自己意識に関するものではなく、環境との相互作用に関するものです。そのため、AIを構築するには、機械センサーに環境を認識させる必要があります。環境(腕など)相互作用は自律的に行​​われるべきであり、理想的には、人間のように、学習は自律的で継続的なプロセスでなければなりません。

したがって、作物内の雑草を見つけるためにカラーパターンの論理スキームでフィールドをスキャンするドローンは、より多くのMLになります。特に、データが後で人間によって分析および検証される場合、または使用されるアルゴリズムは、組み込みの「インテリジェンス」を備えた静的アルゴリズムですが、その環境を再配置または適応することはできません。自律的に飛行し、バッテリーが切れると自動的に充電され、雑草をスキャンし、未知のものを検出し、それ自体を引き裂いて確認のために持ち帰るドローンは、AIです...


1

違いを理解する前に、それらが正確に何を意味するのかを明確にすることが重要です。

人工知能は、人間の行動を模倣するようにコンピューターを動作させる科学と工学です-Andrew Moore

機械学習はコンピューターアルゴリズムの研究であり、コンピュータープログラムは経験を通じて自動的に改善されます-トムミッチェル

人工知能が機械に人間の知能を発揮させる場合、機械学習は、機械が明示的にプログラムされなくても独自に学習できる人工知能を実現するアプローチです。簡単に言えば、機械学習はAIの一部です。


0

自分でテストして、違いを見つけましょう。

ステップ1:私は単語を書きます、そしてあなたはそれを大声で発音しなければなりません。

言葉は: Stackoverflow

良い!!! シームレスに発音できます

ステップ2:今、あなたは別の単語を発音しなければなりません。

言葉は: Worcestershire

うーん!それを見つけるのは難しいですが、それでもあなたはそれを発音します。

だから、正確に、あなたは困難を克服し、そのときintelligence

しかし、今、私はそれがどのように発音されるかをあなたに話し、あなたが同じテストを試みるならば、あなたはそれをどのように発音するかを学んだので困難を感じることはありません。

人工知能と機械学習の場合も同じです。

したがって、人工知能は、人間の論理、推論、理解、および問題解決スキルをマッピングする方法です。

機械学習とは、パターン、統計、および経験によって記憶または予測することです。

そのため、人工知能は問題解決スキル、ロジック、推論、理解を持つことですが、それでもこれらのスキルを習得する必要があるため、機械学習は人工知能の一部です。


0

コンピューターゲームでは、AIは次のようになります。プレイヤーがジャンプしたら、シュートします。したがって、AIは単純に行動の明確な指示のセットになります。AIプログラマーは、プレーヤーがジャンプしているときに撮影するのが最善であると事前に決定しています。

ディープラーニングは、これらの指示を事前に定義するのではなく、発生中にそれらを学習する方法であるため、AIはプレイヤーがジャンプしたときに撮影するのが最善であると学習します。また、他の時間に撃つことを試みて、これがあまり効果がないことを診断することによってこれを学ぶことができました。


0

人工知能とは、特定のタスクを実行するプログラムを作成することを意味し、個々のユーザーがどのようにプログラムを使用しているか、またはプログラムのどの部分を常に使用しているかを考慮していません...

機械学習とは、同じプログラムを作成し、ユーザーが興味を持つものを提案するようにプログラムに指示することを意味します...

機械学習の最良の例は顔認識です

色、顔の形を検出するプログラムを作成し、顔を認識したら他のタスクを実行できます...それは機械学習です。

ただし、プログラムにさまざまな顔の画像のデータが既に保存されており、それをユーザーと比較しているときに特定のタスクを実行すると、人工知能になります

弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.