近年来，在人工智能(AI)、机器学习 (ML) 和数据科学方面取得了许多突破和发现。这些领域相交如此之多，以至于它们已成为同义词。不幸的是，它引起了一些歧义。

本指南旨在通过定义术语并解释它们如何应用于商业和科学来澄清混淆。我们不会深入介绍它们；但是，在本文结束时，您应该能够区分这些概念。  



定义人工智能


作为一个领域，人工智能以创建灵活的自动化系统为中心。人工智能的最终目标是构建能够像人类一样智能和独立运行的系统。因此，人工智能必须能够模仿人类的某些感官。

他们至少必须能够听到、看到，有时还能感觉到触觉和嗅觉。然后，人工智能必须能够解释通过这些感官接收到的刺激并做出相应的反应。因此，人工智能保护伞下的不同领域和分支致力于赋予机器和系统这些能力。



人工智能的主要分支


人工智能的主要分支是：

机器学习(ML)
深度学习 (DL)
自然语言处理 (NLP)
模糊逻辑
专家系统
神经网络
这些概念不是与人工智能分开的领域，而是使人工智能的现代和未来实现成为可能。



人工智能的阶段


AI的三个阶段/阶段如下：

狭义人工智能（ANI）是人工智能的当前阶段。它也被称为弱人工智能，描述了可以执行一组有限的定义任务的人工智能系统。
通用人工智能（AGI）：我们正在慢慢接近这个阶段，也称为强人工智能。它将人工智能描述为与人类一样具有推理能力。一些学者认为，AGI 标签应该仅限于有感知的 AI。  
超级人工智能（ASI）：这是人工智能的一个假设阶段，计算机的智能和能力超过了人类。目前，ASI 并不存在于科幻小说领域之外。  
对于商业用户来说，上述信息可能看起来有点专业术语和深奥。这在现实世界中是如何转化的，人工智能是如何应用的？



人工智能的常见应用


照片编辑软件中的图像处理功能
客户参与服务
社交媒体算法
在线广告平台
通过自然语言处理提供的翻译
机器人过程自动化 (RPA)
营销和产品使用分析
视频和文字游戏中的不可玩角色和敌对角色
增强现实 (AR) 中的 AI 增强功能
销售和趋势预测
自动驾驶汽车
流量检测


定义机器学习


机器学习 (ML) 一词通常与人工智能互换使用。虽然它们不是一回事，但它们密切相关。

应用程序和软件在代码上的功能大多是固定的。此代码包含一组有限的参数，只能在程序员编辑或添加它们时更改。机器学习旨在使计算更加灵活，允许软件随意更改其源代码。这类似于当一个人学习新事物时，他们会以微妙而剧烈的方式改变他们的大脑结构。



ML 的主要分支


机器学习的四个主要分支是：

监督学习
半监督学习
无监督学习
强化学习
当然，还有子集和新范式，例如强化学习、降维等。机器学习通常使用模型来实现。



机器学习模型的类型


人工神经网络
决策树
支持向量机
回归分析
贝叶斯网络
遗传算法
联合学习
强化学习
深度学习是机器学习中最著名和最常用的子集之一。它基本上由多层神经网络组成。神经网络试图通过密切模仿人类大脑的结构来模仿认知。它们被认为是实现 AGI 的最可行途径。  



机器学习在商业中的应用


在商业和消费产品中使用机器学习的一些例子包括：



产品推荐


产品推荐可以说是机器学习和人工智能最流行的应用之一——尤其是在电子商务中。在此应用程序中，商家的网站或应用程序会根据您使用机器学习的活动来跟踪您的行为。这些活动可能包括您以前的购买、搜索模式、点击次数、购物车历史等。然后商家将使用算法来创建定制的产品推荐。



欺诈识别


随着机器学习在金融和银行业的实施，金融机构已经能够发现隐藏的模式，检测可疑活动，并在为时已晚之前预测文书错误。技术咨询公司 Capgemini 声称，训练有素的机器学习解决方案可以将所有欺诈事件减少70%，同时将交易准确性提高 90%。   



卫生保健


机器学习提高了医学诊断中异常的检出率，让医生做出更准确的诊断。最近，ML 驱动的软件已被证明比经验丰富的医生更准确地诊断患者。它通过处理医疗记录和实时评估不断变化的参数来做到这一点。其快速适应环境变化的能力是机器学习在医疗保健领域的最大优势之一。



定义数据科学


数据科学是一个广义的术语，指的是数据管理的所有方面，包括收集、存储、分析等。因此，它是一个涉及多个学科的领域，包括：

统计数据
信息学
数据分析
计算机科学
数学
领域知识
信息科学等
估计每天（全球）生成2.5 万亿字节的数据。这些数据中的大部分都是非结构化和嘈杂的。数据科学家的大量工作致力于对这些数据进行结构化、排序和获得洞察力。

因为数据科学是一门多学科的科学，而不是一个概念，所以不能将其归类为与人工智能和机器学习相同的类别。但是，在介绍如何在业务环境中使用数据科学之前，让我们先扩展一下数据科学所涉及的不同专业。



数据科学中最重要的职业


一些最常见的数据科学家类型包括：

机器学习科学家
数据工程师
软件工程师
精算科学家
统计学家
数字分析师
业务分析师
空间数据科学家
质量分析师
建议数据科学家必须能够开发软件（代码）、使用分析工具和软件、开发预测模型、分析数据完整性和质量，并能够优化数据收集流程。



数据科学在商业中的应用


数据科学一直是企业非常有用的工具。每天生成的大部分数据都是潜在的消费者数据。例如，机器学习实现可以处理旧病历或观察和收集有关用户行为的信息。这是数据挖掘的一种形式。数据科学可以应用于商业的其他方式包括：

定向广告：谷歌、Facebook 和百度等公司的大部分收入来自数字广告。无论是运营博客还是在线商店，您都可以在发布有针对性的广告活动之前使用数据科学来执行客户细分或聚类。执行聚类和分组的最佳方法是通过无监督 ML 模型。
库存管理的销售预测：您可以使用数据科学预测模型来预测未来的销售。预测模型试图根据历史数据预测未来的销售。
电子商务推荐引擎：您可以使用数据科学通过查看忠诚客户的购买历史来为他们构建自定义产品推荐。  
数据科学（主要通过数据分析实现）也可用于商业智能。公司可以从数据仓库中提取有价值的见解，并使用它们来做出明智的业务决策。   

相关帖子DA内容精选 2022年300个以上最佳免费数据科学课 职场问诊 | 大厂裁员，如何正确的面对这个危机？ 大三信管专业的我，用一个月通关CDA Level Ⅰ、Level Ⅱ 和CDA持证人分享 数据科学和企业的数据能力建设 商业智能分析工具的应用 TI类数据产品设计 管理分析需求与绩效指标 PyTorch最全的损失函数汇总 数据分析最常用的excel函数公式大全 零基础转行数据分析，看这篇文章就够了