别把机器学习和人工智能搞混了！
摘要： 原来机器学习就是人工智能的一小部分啊！
智力就是理性思考和控制行为的能力。人类有智慧去思考和利用常识来作出决定。人工智能就是一个构建智能代理的研究领域，因此未来我们打造出来的人工智能可以像人一样思考并理性行事。图灵测试由艾伦·图灵（1950）提出，旨在提供令人满意的智能操作定义。如果机器人具有以下功能，则可以通过图灵测试：
1. 通过理解和编写自然语言与人交往；
2.知识表示（知道如何向用户呈现知识）；
3.知识推理（知道如何从存储的知识推断回答以回答人类）；
4.机器学习推断模式并适应新的环境。
简而言之，AI就是研究有助于构建智能机器的规则和算法，AI解决的一组问题是NP完全的。
人工智能是一个广泛的研究领域，涉及以下五个重要学科：
1. 专家系统；
2.神经网络；
3.模糊系统；
4.机器人；
5.自然语言处理。
机器学习（ML）
机器学习是人工智能的一个子集，它通过算法在数据中学习获得一些人类需要的数据。学习可以把人变成天才，让他们适应新的环境。同样，机器的学习能力使其足够强大以适应新的环境。任何机器学习算法的目标都是通过学习过程使其目标最大化，以便它能够处理看不见的数据。
实现机器学习的两个关键学习方法（算法）是：
1. 监督学习：外部设计者或标记数据有助于机器学习。
2.无监督学习：机器学习时没有任何标签数据或外部设计者。
人工智能的目标是使机器像人一样地聪明。
专家系统
专家系统是依靠知识库来解决问题的系统。知识库可以用不同的形式表示，如规则、语义网络和决策树。专家系统由知识库和推理引擎组成，以从存储的知识库中推断或推理知识。专家系统用于需要人类专家来解决特定问题的地方。
知识库
基于规则的专家系统以规则的形式捕捉专家在特定领域的知识。这些规则构成知识库，然后通过推理引擎对事实进行评估，以解决特定问题。规则示例：
如果天空很清晰，阳光灿烂，
那么雨衣是不需要的。
优点
- 由于规则以自然语言表示，因此易于捕捉对知识库的理解。
缺点
- 专家对同一主题的意见各不相同，这使得难以掌握领域知识。
- 规则的维护和更新是一个漫长的过程。
而且不同领域内存在不同类型的专家系统，如基于规则的专家系统，模糊专家系统和基于框架的专家系统。
推理
专家系统中的推理通过向前或向后链接进行。正向链接是一种数据驱动推理技术，它从知道数据开始，并按照该规则前进。反向链接是一种目标驱动的推理，它从一个目标开始并向后推进以找到支持目标的数据。
神经网络
人工神经网络（ANN）受到人类神经系统的启发。该系统的工作方式与人类大脑存储和处理知识的方式完全相同。与人类大脑非常相似的神经网络由一组彼此高度连接的神经元或节点组成。信息在网络的神经元中被存储，处理和分析。每个节点或神经元都可以激活网络中的其他神经元，神经元之间的链接或连接称为权重。一个网络可以包含n个神经元或节点，这可以使网络变得非常复杂。一个简单的神经网络由一个输入和输出层组成。
以下是不同类型的神经网络：
- 前馈神经网络；
- 卷积神经网络（CNN）；
- 递归神经网络；
- 长短期记忆网络（LSTM）。
人工神经网络能够通过调整权重来学习。正是这种神经网络的能力使它们适合于机器学习。不同类型的学习算法都可以用于神经网络，其中最突出的是反向传播算法。
本文由阿里云云栖社区组织翻译。
文章原标题《demystifying-ai-and-machine-learning》，
译者：虎说八道，审校：袁虎。
文章为简译，更为详细的内容，请查看原文。