深度学习和人工智能之间是什么样的关系
深度学习与人工智能概念的潜在联系，我们依然借助维恩图来说明，如图4.1所示。
1、人工智能“人工智能”这个概念新鲜时髦但又含混模糊，同时包罗万象。尽管如此,我们仍尝试对人工智能进行定义:用一台机器处理来自其周围环境的信息,然后将这些信息分解并进行适当决策，以达到实现某些期望结果的目的。根据定义，部分人只是将人工智能理解为“通用智能”，因为人们关注的一般是其归纳推理和解决问题的能力。在实践中,尤其在大众媒体那里，“人工智能”被用来描述那些尖端机器的能力。目前，这些能力包括语音识别、视频内容解析、聊天机器人、自动驾驶、工业机器人以及在像围棋这样的“直觉密集型”棋盘游戏中击败人类。一旦人工智能的能力被突破并且被普遍应用（例如,20世纪90年代最先进的手写数字识别，详见第1章），“人工智能”这个名字就会被大众媒体抛弃，因为这会使人工智能定义的标准不断被提高。
机器学习机器学习和机器人技术一样，属于人工智能的一个方面。机器学习是计算机科学的一个领域,关注的是如何构建软件并使得软件自动识别数据模式,而无须程序员明确指示。也就是说，通过充分了解问题并做出一些假设，程序员就可以提供相应的模型框架和相关数据，让软件充分学习并解决问题。如图1.12所示,机器学习通过处理原始输入，可以提取出与数据建模算法一致的特征，这个过程因为需要人工设计，所以稍显费力。
3、表征学习通过图4.1,我们可以更形象地剖析表征学习。这个概念是从第2章开始介绍的，简而言之，表征学习是机器学习的一个分支，表征学习的模型构建方式是通过提供足够的数据来自动学习特征。
这样学习到的特征相比人工设计的更加全面和准确。目前,虽然学术界和业界的研究人员都在积极研究特征的可解释性,但是机器学习到的特征仍然很难被人理解或被很好地解释。
4、人工神经网络目前，人工神经网络在表征学习领域占据主导地位。正如前面所提到的,人工神经元是受生物脑细胞启发的简单算法,因为无论是人工的还是生物的单个神经元，首先都要接收很多其他神经元的输入，然后通过一系列计算，产出单个输出。人工神经网络是人工神经元的集合，它们在排列后,就可以彼此之间发送和接收信息。首先将数据输入人工神经网络，然后人工神经网络以某种方式处理数据,进而得到预测结果。例如，手写数字的图像被输入人工神经网络,经过处理后,便可得到关于输入图像所代表数字的准确预测。
5、深度学习在图4.1所示的概念中，深度学习是最容易定义的。我们已经多次提到,深度学习网络是由好几层人工神经元组成的网络，图1.11和图1.17所示的经典架构在图4.2中也有简单描述。深度学习网络通常多于5层，具体结构如下。
■输入层:接收输入网络的数据。
■隐藏层:学习输入数据中的特征表示,一般有3个或更多个。一种经常使用的隐藏层类型是密集层，在这种类型中，给定层中的所有神经元都可以从前一层中的每个神经元接收信息（因此，“密集层”的常见同义词是全连接层）。除了这种通用的隐藏层类型之外,还有很多其他类型专门针对特定的用途。
在深度学习网络中，若干人工神经元分层排列，每一层都是对前一层更抽象的非线性重组，所以只要有足够的数据集，即使只有几层的深度学习模型,也足以进行学习训练并解决特定问题。也就是说，我们偶尔会看到数百层甚至上千层的深度学习网络，但它们并不经常使用。
自从2012年AlexNet在ILSVRC公开挑战赛（参见图1.15）上获胜以来,无数事实已经证明:应用深度学习方法的建模适用于多种机器学习任务。事实上，随着深度学习推动当代人工智能的不断进步，“深度学习”已经被大众媒体当作“人工智能”的代名词。
以上内容摘自《图解深度学习》
图解深度学习深入浅出讲解深度学习的主流技术及背后的原理，彩色印刷，图文并茂，助你快速上手TensorFlow和PyTorch等热门工具。
本书汇集了专家乔恩·克罗恩（JonKrohn）和格兰特·贝勒费尔德（GrantBeyleveld）的丰富经验和具体实践，以及阿格莱·巴森斯（AglaéBassens）的精美插图，用直观生动的方式，清晰地阐释了什么是深度学习，为什么深度学习如此流行，并梳理了深度学习与其他机器学习方法的关系。在这本书中，作者通过Jupyternotebook这一强大的工具，编写可动手操作的Python代码，为那些想要开始学习深度学习的开发人员、数据科学家、研究人员、分析师和学生创建了实用的参考教程。
为了帮助读者快速提高，作者重点讲解了利用深度学习库Keras灵活构建TensorFlow模型的方法，同时还介绍了深度学习库PyTorch的强大功能。阅读本书，读者将能够深入理解和掌握深度学习的主要方法及其在机器视觉、自然语言处理、图像生成和游戏领域的应用。
人工智能和深度学习书籍推荐人工智能：现代方法（第4版）
系统性总结人工智能的方方面面，国际人工智能领域专家斯图尔特·罗素撰写人工智能百科书，时隔十年重磅更新，被全球全球1500多所学校采用的经典教材。
本书全面、深入地探讨了人工智能（AI）领域的理论和实践，以统一的风格将当今流行的人工智能思想和术语融合到引起广泛关注的应用中，真正做到理论和实践相结合。全书分7个部分，共28章，理论部分介绍了人工智能研究的主要理论和方法并追溯了两千多年前的相关思想，内容主要包括逻辑、概率和连续数学，感知、推理、学习和行动，公平、信任、社会公益和安全；实践部分完美地践行了“现代”理念，实际应用选择当下热度较高的微电子设备、机器人行星探测器、拥有几十亿用户的在线服务、AlphaZero、人形机器人、自动驾驶、人工智能辅助医疗等。本书适合作为高等院校人工智能相关专业本科生和研究生的教材，也可以作为相关领域专业人员的参考书。
作者简介
斯图尔特.罗素（StuartRussell），1986年他进入加利福尼亚大学伯克利分校，任计算机科学系教授，并曾担任系主任，人类兼容人工智能中心主任，他也是史密斯–扎德（Smith-Zadeh）工程系讲席教授。1990年，他获得了美国国家科学基金会（NSF）杰出青年科学家总统奖；1995年，他成为计算机与思想奖的获奖人之一。他是美国人工智能协会（AAAI）、美国计算机协会（ACM）和美国科学促进协会的会士，牛津大学瓦德汉学院的荣誉院士和安德鲁.卡内基（AndrewCarnegie）院士。2012年到2014年，他在巴黎担任布莱斯.帕斯卡（BlaisePascal）主席。他在人工智能领域发表了300多篇论文，涉及范围广泛。
彼得.诺维格（PeterNorvig）曾任谷歌公司的研究总监、核心网络搜索算法的负责人。他曾与他人合作共同教授了一门有16万名学生注册的在线人工智能课程，帮助开启了当下的大规模在线公开课程的大幕。他曾担任美国宇航局艾姆斯研究中心计算科学部的负责人，负责人工智能和机器人学的研究和开发。他曾任南加利福尼亚大学的教授和加利福尼亚大学伯克利分校、斯坦福大学的教师。他是美国人工智能协会和美国计算机协会的会士，以及美国艺术与科学院和加利福尼亚科学院的院士。
两位作者共同获得了2016年首届AAAI/EAAI杰出教育家奖。
动手学深度学习PyTorch版
《动手学深度学习》全新PyTorch版本，李沐和亚马逊科学家阿斯顿·张等大咖作者强强联合之作，机器学习、深度学习领域重磅教程，交互式实战环境，配套资源丰富！
本书是《动手学深度学习》的重磅升级版本，选用经典的PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。
本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出最简单的神经网络——多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。
作者简介：
阿斯顿.张（AstonZhang），亚马逊资深科学家，美国伊利诺伊大学香槟分校计算机科学博士，统计学和计算机科学双硕士。他专注于机器学习和自然语言处理的研究，荣获深度学习国际顶级学术会议ICLR杰出论文奖、ACMUbiComp杰出论文奖以及ACMSenSys最佳论文奖提名。他担任过EMNLP领域主席和AAAI资深程序委员。
扎卡里.C.立顿（ZacharyC.Lipton），美国卡内基梅隆大学机器学习和运筹学助理教授，并在海因茨公共政策学院以及软件和社会系统系担任礼节性任命。他领导着近似正确机器智能（ACMI）实验室，研究涉及核心机器学习方法、其社会影响以及包括临床医学和自然语言处理在内的各种应用领域。他目前的研究重点包括处理各种因果结构下分布变化的稳健和自适应算法、超越预测为决策提供信息（包括应对已部署模型的战略响应）、医学诊断和预后预测、算法公平性和可解释性的基础。他是“ApproximatelyCorrect”博客的创始人，也是讽刺性漫画“SuperheroesofDeepLearning”的合著者。
李沐（MuLi），亚马逊资深首席科学家（SeniorPrincipalScientist），美国加利福尼亚大学伯克利分校、斯坦福大学客座助理教授，美国卡内基梅隆大学计算机系博士。他曾任机器学习创业公司MarianasLabs的CTO和百度深度学习研究院的主任研发架构师。他专注于机器学习系统和机器学习算法的研究。他在理论与应用、机器学习与操作系统等多个领域的顶级学术会议上发表过论文，被引用上万次。
亚历山大.J.斯莫拉(AlexanderJ.Smola)，亚马逊副总裁/杰出科学家，德国柏林工业大学计算机科学博士。他曾在澳大利亚国立大学、美国加利福尼亚大学伯克利分校和卡内基梅隆大学任教。他发表过超过300篇学术论文，并著有5本书，其论文及书被引用超过15万次。他的研究兴趣包括深度学习、贝叶斯非参数、核方法、统计建模和可扩展算法。
ai人工智能的本质和未来
Chinesephilosophyyinandyangrepresenthowtheseeminglyoppositepolescancomplementeachotherandachieveharmony.
中国的阴阳哲学代表着看似相反的两极如何相互补充，实现和谐。
Incybersecurity,thisancientphilosophyperfectlyrepresentstherelationshipbetweensupervisedandunsupervisedmachinelearning.Forexample,monitoredmachinelearningprocessescanbeusedfordetection,whileunsupervisedmachinelearningusesclustering.Inthecaseofcybersecurityanddatasecurityresearchanddevelopment,monitoredmachinelearningisoftenimplementedintheformofmachinelearningalgorithms.
在网络安全中，这种古老的哲学完美地代表了有监督和无监督机器学习之间的关系。例如，受监视的机器学习过程可用于检测，而无监督的机器学习则使用聚类。在网络安全和数据安全研究与开发的情况下，受监视的机器学习通常以机器学习算法的形式实现。
ItisnoteasytodescribeArtificialIntelligence(AI).Ithasnocleardefinition.MostoftheexistingdefinitionstrytoexpressAIasacomputerprocessthatmimicshumanintelligenceandbehaviorandactsintelligently.Butthissituationbringsmorequestionssuchaswhatisintelligence?Dopeoplealwaysactsmartandlogical?IsthedesiredachievementforAI,humanintelligence?Orcanacomputerperformbetterthanahuman?ThedefinitionofapproachesthatbaseAIonrationalbehaviorreferstoacomputerdoingthingsthataredifficulttodo.Inthisarticle,however,apragmaticapproachisadoptedtosimplifytheissueandAIisdefinedasascientificarearesponsibleforproducingcomputer-basedsolutionstothecomplexproblemsthathumanbeingshavedifficultyinfindingsolutions.
描述人工智能(AI)并不容易。它没有明确的定义。现有的大多数定义都试图将AI表达为模仿人类智力和行为并以智能方式行事的计算机过程。但是这种情况带来了更多的问题，例如什么是智力？人们总是表现得聪明而合乎逻辑吗？人工智能是人类的理想成就吗？还是计算机的性能要比人类好？将AI建立在理性行为基础上的方法的定义是指计算机执行难以完成的事情。但是，在本文中，采用了务实的方法来简化问题，并且AI被定义为负责为人类难以找到解决方案的复杂问题提供基于计算机的解决方案的科学领域。
AITechnologyLandscape人工智能技术格局TheuseofAIincybersecurityisrelativelynew.WhilesomecybersecurityexpertsarguethattheanswertocybersecurityismachinelearningtodetectsophisticatedbreachesandthatcybersecuritywillonlycontinuetosucceediftheITenvironmentissecuredbythehelpofAI-basedsolutions.Othersarguethatwhilemachinelearningisverygoodatfindingsimilarities,itisnotgoodenoughatdetectinganomaliesandisthereforenotsuitedtocybersecurity.
在网络安全中使用AI相对较新。尽管一些网络安全专家认为，网络安全的答案是机器学习来检测复杂的漏洞，并且只有在基于AI解决方案的帮助下确保IT环境安全的情况下，网络安全才会继续取得成功。其他人则认为，尽管机器学习非常善于发现相似之处，但它不足以检测异常，因此不适合网络安全。
Beyondthesediscussions,itisafactthatmachine-learninghastakengreatstepsinrecentyears,fromautonomoustoolstovirtualassistants,fromchatbotstoface/objectrecognition.Aswemovetowardsafuturewherecybersecurityismuchmoreintegratedintoourdailylife,itisimportanttobeawareofdifferentapproachesbasedonmachineanddeeplearninginordertobetterdefendthenetworkanddatasecurityagainstincreasinglycomplexandadvancedattacks.
除了这些讨论之外，事实上，近年来，机器学习已迈出了重要的一步，从自主工具到虚拟助手，从聊天机器人到人脸/物体识别。随着我们迈向将网络安全与我们的日常生活更加融合的未来，重要的是要意识到基于机器和深度学习的不同方法，以便更好地保护网络和数据安全免受日益复杂和高级的攻击。
Asyoualreadymayknow,therearefourtypesofmachinelearningalgorithmstotrainamachineneuralnetwork:SupervisedLearning,UnsupervisedLearning,Semi-supervisedLearning(alsoknownasactivelearning),ReinforcementLearning.Supervisedlearningisaboutlearningfromatrainingdataset,whileunsupervisedmachineslearnfromthedataitselfthatislimitedinitsabilitytodetectthreats,asitonlylooksfordetailsithasseenandflaggedbefore,whileunsupervisedlearningconstantlyscansthenetworkandfindsanomalies.Unsupervisedlearning,however,doesnotrequirelabeledtrainingdataandisbettersuitedtodetectingsuspiciousactivity,includingdetectingattacksthathaveneverbeenobservedbefore.
您可能已经知道，有四种类型的机器学习算法可以训练机器神经网络：监督学习，无监督学习，半监督学习(也称为主动学习)，强化学习。监督学习是关于从训练数据集中学习，而不受监督的机器则是从数据本身中学习，这种数据在检测威胁方面受到限制，因为它仅查找以前已经看到并标记过的细节，而不受监督的学习则不断地扫描网络和网络。发现异常。但是，无监督学习不需要标记的训练数据，更适合于检测可疑活动，包括检测以前从未观察到的攻击。
Supervisedlearningisaboutlearningfromatrainingdataset.Supervisedmachineslearnfromthedataitself,whichislimitedonlybyitsabilitytodetectthreatswhensearchingfordetailsthatithaspreviouslyseenandmarked.Forunattendedlearning,taggedtrainingdataisnotrequiredandismoresuitablefordetectingsuspiciousactivity,includingdetectingattacksthathaveneverbeenobservedbefore.Unsupervisedlearningconstantlyscansthenetworkandfindsanomalies.
监督学习是关于从训练数据集中学习。受监控的机器从数据本身中学习，这仅受其在搜索先前已查看和标记的详细信息时检测威胁的能力的限制。对于无人值守的学习，不需要标记的训练数据，它更适合于检测可疑活动，包括检测以前从未观察到的攻击。无监督学习会不断扫描网络并发现异常情况。
MachineLearningAlgorithms机器学习算法Machinelearningisalreadyusedtoreducetheloadthatattackdetectionandpreventiontoolscanhandleaspartofcybersecuritysystems.AIalgorithmssimilartorealhumandecisionmechanismstrytomodeladecisionmechanism.
机器学习已被用来减少攻击检测和防御工具可以作为网络安全系统的一部分处理的负载。与真实人类决策机制相似的AI算法尝试对决策机制进行建模。
Therehavebeenanumberofattemptstooverrideunattendedmachinelearningsecuritysolutions,resultinginahostofuntestedsolutionstoavarietyofsecurityproblems.Manyoftheseearlyattemptshaddifficultygeneratingenoughdatatoeffectivelydetectcomplexbreachessuchasidentityfraudandadvancedcyberattacks.
已经进行了许多尝试来覆盖无人看管的机器学习安全性解决方案，从而导致了许多未经测试的解决方案，可以解决各种安全问题。这些早期尝试中的许多尝试都难以生成足够的数据以有效检测复杂的漏洞，例如身份欺诈和高级网络攻击。
Bycontrast,unsupervisedmachinelearningisaboutfindinganddescribingthehiddenstructuresinthedata.Thisproblemisrelatedtotheproblemofdefiningdistancefunctions,sincemost,ifnotall,clusteralgorithmsarebasedonnumericalandnon-categoricaldata,andthereforewehearasmuchaboutclusteralgorithmsaswedoaboutclassification.
相比之下，无监督机器学习是关于发现和描述数据中的隐藏结构。这个问题与定义距离函数的问题有关，因为大多数(即使不是全部)聚类算法都基于数值和非分类数据，因此，与聚类一样，我们对聚类算法的了解也很多。
Inthecontextofcybersecurity,AItriestodefendthesystembyweighingbehaviorpatternsthatindicateathreattothesystems.Fromthispointofview,machinelearningistheprocessoflearningpatternsthatleadtomaliciousbehavior.
在网络安全的背景下，人工智能试图通过权衡表明对系统构成威胁的行为模式来保护系统。从这个角度来看，机器学习是导致恶意行为的学习模式的过程。
AIsolutionsaregenerallyanalyst-orientedandunsupervisedmachinelearning-focusedininformationsecurity.Usingunsupervisedmachinelearningtodetectrareorabnormalpatternscanincreasethedetectionofnewattacks.However,itcanalsotriggermorefalsepositivesandwarnings.Thisrequiresasignificantamountofanalysisefforttoinvestigatetheaccuracyofthesefalsepositives.Suchfalsealarmscancausealarmfatigueandinsecurityand,overtime,leadtoitsreturntoanalytical-focusedsolutionsandtheresultingweaknesses.Threemajorchallengesfacingtheinformationsecurityindustry,eachofwhichcanbeaddressedbymachinelearningsolutions,havebeenidentifiedasfollows[2]:
人工智能解决方案通常面向分析师，面向信息安全的无监督机器学习。使用无监督机器学习来检测稀有或异常模式可以增加对新攻击的检测。但是，它也可能触发更多的误报和警告。这需要大量分析工作来调查这些误报的准确性。此类错误警报可能会导致警报疲劳和不安全感，并随着时间的流逝，导致其返回到以分析为中心的解决方案，并因此而导致缺陷。信息安全行业面临的三个主要挑战可以通过机器学习解决方案来解决，这些挑战如下：[2]：
MissingorLackofTaggedData:Manyorganizationslacktheabilitytousetaggedexamplesandsupervisedlearningmodelsofpreviousattacks.标记数据的丢失或缺失：许多组织缺乏使用标记示例和监督先前攻击的学习模型的能力。ContinuouslyEvolvingAttacks:Eventhoughcontrolledlearningmodelsarepossible,attackerscanchangetheirbehaviorandoverridethem.不断发展的攻击：即使可以控制学习模型，攻击者也可以更改其行为并覆盖它们。LimitedTimeandBudgetforResearchorInvestigation:Applyingtoanalyststoinvestigateattacksiscostlyandtime-consuming.研究或调查的时间和预算有限：向分析人员申请调查攻击既昂贵又费时。Astheindustryisstillexperimentingwiththetechnologyasaproof-of-concept,however,theideaoftrustisidealwherethesecuritysolutionismachinelearning.Itcanhelptoimprovethefightagainstcybercrime,andwhileAIcanboosthumaneffortsbyautomatingthepattern-recognitionprocess.Machinelearningsystemsreportusefuldatabasedoncategories,whileanalyststalkopenlyabouthowmachinelearningcanbeablackboxsolutionforsecurity,whereCISOsarenotquitesurewhatisunderthehood.
但是，由于业界仍在尝试将该技术用作概念验证，因此在安全解决方案是机器学习的情况下，信任的想法非常理想。它可以帮助改善与网络犯罪的斗争，而人工智能可以通过使模式识别过程自动化来促进人类的努力。机器学习系统会根据类别报告有用的数据，而分析师则公开谈论机器学习如何成为安全性的黑匣子解决方案，而CISO对此不太确定。
Today,AIisnotreadytoreplacehumans,butbyautomatingthepattern-recognitionprocess,itcanenhancehumanefforts.Thereisatruthherethatcannotbedeniedbecausemachinelearninghasverydifferentusesincyberdefense.
如今，人工智能尚未准备好替代人类，但是通过使模式识别过程自动化，它可以增强人类的努力。这里有一个不可否认的真相，因为机器学习在网络防御中有非常不同的用途。
Consideringallusageareas,itispossibletoevaluatetheuseofAIincyberspaceintwocategories;theuseofartificialintelligenceforcyberdefenseandtheuseofartificialintelligenceforthecyberoffense.
考虑到所有使用领域，有可能在两类方面评估AI在网络空间中的使用：人工智能在网络防御中的使用以及人工智能在网络犯罪中的使用。
InpartII,wewilltalkabouttheuseofartificialintelligenceforcyberdefense…
在第二部分中，我们将讨论如何将人工智能用于网络防御……
Sources
资料来源
[1]K.R.Chowdhary,“FundamentalsofArtificialIntelligence,”SpringerIndia,2020.
[1]KRChowdhary，“人工智能基础”，印度Springer，2020年。
[2]K.Veeramachaneni,I.Arnaldo,A.Cuesta-Infante,V.Korrapati,C.Bassias,K.Li,“AI2:TrainingaBigDataMachinetoDefend”,IEEEInternationalConferenceonBigDataSecurityinNewYorkCity,2016.
[2]K.Veeramachaneni，I。Arnaldo，A。Cuesta-Infante，V。Korrapati，C。Bassias，K。Li，“AI2：培训大数据机以捍卫”，IEEE国际大数据安全新会议纽约，2016。