机器学习 (ML) 是人工智能 (AI) 的一个特定分支。与 AI 相比，机器学习的范围和重点有限。AI 还包括一些机器学习范围之外的策略和技术。
以下是两者之间的一些关键区别。
目标
任何 AI 系统的目标都是让机器高效地完成复杂的人类任务。此类任务可能涉及学习、解决问题和模式识别。
另一方面，机器学习的目标是让机器分析大量数据。机器将使用统计模型来识别数据中的模式并生成结果。结果具有相关的正确概率或可信度。
方法
AI 领域包括用于解决各种问题的各种方法。这些方法包括遗传算法、神经网络、深度学习、搜索算法、基于规则的系统和机器学习本身。
在机器学习中，方法分为两大类：有监督学习和无监督学习。有监督机器学习算法使用标有 input 和 的数据值来解决问题。无监督学习更具探索性，它试图在未标记的数据中发现隐藏的模式。
实施
构建机器学习解决方案的过程通常涉及两项任务：
选择并准备训练数据集选择先前存在的机器学习策略或模型，例如线性回归或决策树
数据科学家选择重要的数据特征并将其输入到模型中进行训练。他们通过更新的数据和错误检查来不断完善数据集。数据的质量和多样性提高了机器学习模型的准确性。
构建 AI 产品通常是一个更为复杂的过程，因此许多人选择预先构建的 AI 解决方案来实现他们的目标。这些 AI 解决方案通常是经过多年研究后开发的，开发人员可以通过 API 将其与产品和服务集成。
要求
机器学习解决方案需要使用包含数百个数据点的数据集进行训练，还需要足够的计算能力才能运行。根据您的应用程序和用例，单个服务器实例或小型服务器集群可能就足够了。
其他智能系统可能有不同的基础设施要求，这取决于您想要完成的任务和所使用的计算分析方法。高计算用例需要数千台机器协同工作才能实现复杂的目标。
但是，请务必注意，预先构建的 AI 和机器学习函数都可用。您可以通过 API 将它们集成到您的应用程序中，而无需额外资源。
相关文章
