機械学習と人工知能の違い

私の質問はこれです：

機械学習と人工知能の間に違いはありますか？または、これらの用語は同じものを指しますか？

対象分野である人工知能と機械学習（およびデータサイエンス）は大まかに定義されているため、それらがどのように関連しているかについて厳密に述べることは困難です。一般的なケースでは、重複している部分があるようですが、質問で提案されているように、「2つの異なる名前を持つ同じ主題」になることはかなり遠いようです。

人工知能という用語は、多くの可能な意味と解釈があります。どのバージョンを参照するかは、時間とそれを使用するソースによって異なります。人工知能に関する教科書は、検索アルゴリズム、論理的演繹など、今日行われているように明らかに機械学習ではないものを取り上げています。

たとえば、人工総合知能（または「ハードAI」）を参照することができます。この場合、AGIの目標を達成するには、少なくとも何らかの形の学習アルゴリズムが必要であることは明らかです。ただし、機械学習を複雑な構造に組み合わせることでAGIのどの程度を解決できるかは、それほど明確ではありません。

機械学習という用語にはいくつかの実用的な定義がありますが、これは一般的なものです。

コンピュータープログラムは、Pで測定されるTのタスクでのパフォーマンスが経験Eで向上する場合、タスクTの一部のクラスとパフォーマンス測定Pに関して経験Eから学習すると言われています。

これは人工知能よりもはるかに厳密に定義されていますが、まだ多くの範囲があります。

AIとMLを融合させる傾向は、メディアとマーケティングの問題であり、技術的な問題ではないようです。これは、ニューラルネットワークの過去5〜10年の進歩によるものだと私は思います。ニューラルネットワークモデルは、特に画像、ビデオ、オーディオの信号処理において大きな進歩を遂げました。特に主題が主流メディアによる消費のために単純化されている場合、説得力のある生物学的脳との類似性もあります。

データサイエンスについても言及する価値があります。人工知能と同様に、この用語はあいまいに定義されています。また、データサイエンスはAIと同様に、機械学習だけではありません。データサイエンスの実践者にとって、MLは目標を達成するためのツールキットの一部です-一部の人々にとっては、それは彼らが行うことの大部分であり、他の人にとってはより広い範囲の一部にすぎません（実際にMLモデルのトレーニングと改良は、プロのデータサイエンティスト、アナリスト、または統計家の時間のごく一部）。人工知能とデータサイエンスは機械学習と同じように関連していると述べるのは理にかなっていると思います。

素人の言葉での機械学習は、機械がデータのパターンを識別して、目に見えないデータを予測するために使用できるモデルを開発することを可能にするアルゴリズムです。

人工知能は、人間の同等物以上のインテリジェントな意思決定を行うマシンの能力です。

2つの違い：

AIは非常に幅広いコンピューターインテリジェンスの分野であり、機械学習は、結果を予測するためのインテリジェンスを獲得する方法の1つです。しかしAIには、ロボット工学、音声合成、コンピュータービジョンなども含まれています。

したがって、人工知能のベン図を描くとしたら、機械学習はサブセットになります。

ディープラーニングは、人工知能のサブセットである機械学習のサブセットです。機械学習はAIの特定のアプローチですが、それだけではありません。シンボリックロジック、バイエル統計は、いかなる種類の機械学習アルゴリズムも使用しないAIアプローチのいくつかの例です。

AIの良い例ですが、機械学習は進化的計算です。ここでは、経験から学ぶ（トムM.ミッチェルの定義のように）代わりに、タスクでのパフォーマンス（環境における表現型の表現）によって測定される、コンピュータープログラムバージョンの各世代で遺伝子型が変化しています。

以下のようメラニーミッチェルはそれを置きます：

「...コンピュータが適用された当初から...脳のモデル化、人間の学習の模倣、および生物学的進化のシミュレーションに...最初のものはニューラルネットワークの分野に、2番目は機械学習に、3番目は機械学習に成長しました。現在は「進化的計算」と呼ばれているものに...」とはいえ、現在、ニューラルネットワークはほとんどが機械学習の一部と見なされています。

ML、Tom M. Mitchell：

コンピュータープログラムは、Pで測定されるTのタスクでのパフォーマンスが経験Eで向上する場合、タスクTの一部のクラスとパフォーマンス測定Pに関して経験Eから学習すると言われています。

MLではなくAI：

• スラム
• 経路探索：Bellman–Fordアルゴリズム、A *検索アルゴリズム、Dijkstraアルゴリズム
• マルコフ連鎖
• セルオートマトン

ServanGrüninger、ご協力ありがとうございます。

参照：機械学習は人工知能とどのように関連していますか？

偉大なトム・ミッチェルは彼の本で「機械学習は明示的にプログラムされることなく学ぶ能力である」と述べています。

機械学習アルゴリズムは広く採用されており、日常的に使用されています。例は、あなたの声に適応する製品または音声認識ソフトウェアを購入するときの自動推奨です。

AIは、システムが人間のような知性を実証できるようにするテクノロジーです。

「さまざまなことをしている、またはさまざまな場所で行われている猫の写真をコンピューターに差し込んでも、すべての写真が猫としてタグ付けされている場合、コンピューターは表示されている各写真から学習します」とカメリアアリヤファー博士は述べています。 、Overstockの機械学習ディレクター。「最終的には、猫が各データセットの共通要素であることを認識し、コンピュータが猫を特定するのを助ける。」

機械がオブジェクト間の違いを認識し、理解した基準に基づいてオブジェクトを破棄するか受け入れるかを選択できると、AIが生まれます。実際、人工知能である機械によって決定が行われているときはいつでも、単なる機械学習を超えています。

例として、トータルチューリングテストを考えてみましょう。コンピューターは、チューリングテスト全体に合格できる場合、インテリジェントであるとよく言われます。

人間の質問者がいくつかの書かれた質問を提起した後、書かれた応答が人からのものかコンピュータからのものかを判断できない場合、コンピュータはテストに合格します。総合チューリングテストには、質問者が被験者の知覚能力をテストできるようにビデオ信号も含まれています。また、質問者が「ハッチを通過して」物理的な物体を通過する機会もあります。

チューリングテスト全体に合格するには、コンピューターは次の機能を備えている必要があります。

• 自然言語処理により、英語でのコミュニケーションが成功します。
• 知っていることや聞いたことを保存するための知識表現 ;
• 保存された情報を使用して質問に答え、新しい結論を引き出すための自動推論。
• オブジェクトを操作して移動するロボット工学。
• オブジェクトを知覚するコンピュータビジョン、および
• 新しい状況に適応し、パターンを検出および推定するための機械学習。

すでにお分かりのように、機械学習は人工知能のサブセットであり、インテリジェントエージェントが学習ます。

人工知能：感知、推論、行動、適応できるプログラム。

機械学習：時間の経過とともにモードデータに公開されるとパフォーマンスが向上するアルゴリズム。