人工智能技术发展的方向：ML和DL
人工智能（ArtificialIntelligence），英文缩写为AI。AI是一门让机器变得智能的科学研究，让机器像人类一样具备解决某些特定问题的能力。其实，AI可不是什么新事物，早在上世纪中叶就已经诞生了。1950年，一位名叫马文﹒明斯基的大四学生和同学一起建造了世界上第一台神经网络计算机，被看作是人工智能的起点。马文后来也被人称为“人工智能之父”，从那时到现在已经过了近70年。这些年AI技术一直不温不火，偶尔出现一些吸引人的技术，很快就消失殆尽了。直到最近，AI又重新回到人们的视线里，而且获得了几乎所有互联网大佬的青睐，将AI看作是未来技术发展的方向，并投入大量人力和资金去研究它。
AI之所以到现在才火爆起来是有原因的。早在70年前，计算机技术刚出现，计算能力和传感器技术都不发达，AI的理念虽然先进，却无实施的条件。众所周知，让机器具备学习的能力，要进行大量的学习计算，通过对已掌握的数据计算规律，从而知晓下一步该如何处理。甄别和计算数据的能力在70年前都不具备，所以AI技术的研究总是被搁浅。而现在则不同，云计算、虚拟化和大数据技术的出现，对数据的分析能力已经很强，再加上计算能力的提升，海量数据的计算数秒内就能完成，这给AI提供了良好的成长土壤，所以到了现在，AI不火都不行了。
AI只是一门技术的概念，最终还是要靠各种具体技术来实现，机器学习（MachineLearning）就是其中之一。ML使用算法分析数据，从中学习并做出推断或预测。ML使用大量数据和算法来“训练”机器，由此让机器学会如何去完成任务。比如在图像识别中，一开始机器在识别事物的时候准确率是比较差的，机器的表现带有很大随机性，但是经过一段时间训练，随着我们给机器看的图像越来越多，机器的图像识别准确性会逐步提高。当学习的图片积累到一定数量的时候，我们可以对于某一种动物拍一张照片，这张照片是以前机器学习没有看到的，但当我们显示这张照片，机器可以根据以往的经验准确地识别出这是哪一种动物。ML背后的核心思想是，设计程序使得它可以在执行的时候提升它在某任务上的能力，而不是有着固定行为的程序。ML包括多种问题定义，提供很多不同算法，能解决不同领域的各种问题，ML利用数据来解决简单规则不能或者难以解决的问题，被广泛应用在了搜索引擎、无人驾驶、机器翻译、医疗诊断、垃圾邮件过滤、玩游戏、人脸识别、数据匹配、信用评级和给图片加滤镜等任务中。
深度学习（DeepLearning）是一种实现ML的技术，是当前AI技术中非常火的话题，由Hinton等人于2006年提出，基于深度置信网络提出非监督贪心逐层训练算法。DL也称为深度结构学习，层次学习或者深度机器学习，是一类算法集合。DL利用多层神经网络结构，从大数据中学习现实世界中各类事物能直接用于计算机计算的表示形式，被认为是智能机器可能的“大脑结构”。DL本身是神经网络算法的衍生，在图像，语音等富媒体的分类和识别上取得了非常好的效果，所以各大研究机构和公司都投入了大量人力来做相关研究和开发。DL重点在于如何快速地训练模型。通过DL，机器可以处理大量数据，识别复杂的模式，并提出深入的见解。DL有几个有名的技术框架：tensorflow谷歌、CNTK微软、Theano、caffeBerkeley、scikit-learnPython，AlphaGo就是使用了TensorFlow的杰出作品，AlphaGo完虐李世乭，直接将DL带火了。我们日常的一些推送新闻购物等，都有DL的影子。之所以DL能火，最为主要的原因是准确性，DL模式可以达到前所未有的精确度，有时甚至超过人类表现，让人类都感觉到可怕，未来人类会不会被DL所创造的机器人打败并消灭掉。如果是那样，人类真的是搬起石头砸自己的脚。其实，这种想法的人实属多虑了，DL的学习能力的确可能超过人类大脑，但所有的学习能力都是人类赋予的，自然有控制的方法。
ML和DL都是AI的具体技术实现形式，但两者区别明显。DL是ML的技术之一，ML包含DL，但DL的技术更优于ML，ML更是一种通用型的技术，包括决策树、贝叶斯、支持向量机等算法，也包括神经网络算法。而DL深耕神经网络，是深度神经网络算法技术，包括深度卷积网络、深度循环网络、递归网络等。ML和DL都提供了训练模型和分类数据方法，但ML需要手动选择图像的相关特征，以训练机器学习模型，DL可以从图像中自动提取相关功能，是一种端到端的学习，网络被赋予原始数据和分类等任务并自动完成;如果没有高性能GPU和标记数据，那么ML和DL更具优势。这是因为DL通常比较复杂，就图像而言可能需要几千张图才能获得可靠的结果。高性能的GPU才能够实现快速计算，在建模上花更少时间来分析所有图像，DL计算量更大;ML由手工设计特征决定学习效果，但是特征工程非常繁琐，而DL能够从大数据中自动学习特征;当解决问题时，ML会将问题分解为多个子问题并逐个子问题解决，最后结合所有子问题的结果获得最终结果，DL提倡直接的端到端解决问题。ML比较擅长分析维度较低，可解释性很强的任务。DL擅长分析高维度的数据。比如图像、语音等，两者应用的领域会有差别。
ML和DL是AI领域最先进的技术，尤其是DL，代表了当今AI技术发展的方向，将有越来越多的产品采用DL技术，不过两者应用的领域不同，对于数据量较少，计算能力不高的领域，ML依然可以继续发挥技术优势，两种技术将长期同时存在着。
学人工智能以后从事什么工作这6大就业方向前景广阔
学AI以后从事什么工作？近些年来，科技的快速发展，使人工智能方面的人才炙手可热。根据此前UiPath发布的数据显示：我国AI岗位空缺数量最多，有12113个相关职位因为招聘不到人才而发生空缺。
我国对于AI人才的渴求已经超过了人工智能大国美国。因此，我国人工智能专业的毕业生，他们未来的就业前景将会非常广阔。
学人工智能以后从事什么工作？这6大就业方向前景广阔
智能金融
近些年，手机支付成了很多人日常生活中主要的支付方式，取代了现金在生活中的地位。而手机支付也是智能金融的一部分，人工智能在这方面起到了极大地推动作用。
很多金融机构对于人工智能技术十分青睐，并且依靠人工智能技术实现了降低金融诈骗的风险。
人工智能专业的毕业生可以进入智能金融的领域，将人工智能和金融知识相结合。这也是人工智能专业毕业生目前非常火热的就业发展方向之一。
计算机视觉
计算机视觉岗位这也是人工智能领域非常火热的就业方向之一。
拍照的时候，相机可以自动地将人脸的画面进行识别和检测;P图的时候，可以针对人脸进行相应的美化处理(眼睛变大、涂腮红)等等。
当冷冰冰的机器能够感知到具体的影像，并且对此进行识别时，人工智能相当于为机器安上了一双眼睛，这种“神奇”的技术手段在岗位需求中自然会占有先机。
数据服务
大数据时代，人们在网络上获取信息变得更加丰富多元。但是因为数据量过大，人们搜索的结果可能不够准确。有人工智能进行干预，大数据的推算会更加符合搜索者的心意，搜索的结果也会更加准确。
数据服务还包括数据商为网络提供更加海量的数据支持，也为先进的人工智能算法提供了搭建模型的基础。
数据服务的就业前景十分广阔，也是人工智能毕业生比较青睐的就业方向之一。
智能教育
线上教育蓬勃发展，人们学习的方式变得更加多元。除了线下具体的实物教育之外，智能教育将教育的方式推向了一个新的高度。
智能教育通过在教育方式上加入人工智能的手段让人们获得知识的方式更加便捷。
学生在网络搜题的时候变得更加简单，甚至还可以获得相关知识点的推送。而且人工智还能帮助老师批改作业，不仅确保了准确率，同时也极大地降低了老师的工作量。
随着人工智能的逐步发展，智能教育将会变得更加先进，比如说为每个学生制定有针对性的学习方案，更加能够实现真正意义上的因材施教。
机器学习
机器学习是一种较为复杂的就业方向，其目的是让机器在大量的数据训练后学习如何更好地完成任务。这也是人工智能中最复杂、最核心的内容。
机器学习所要求的技术人才水平更高。目前，全世界的人工智能水平仍然处于弱智能阶段，想要帮助机器建立人脑的神经网络确实存在一定的难度。
B站就有很多免费的课程，这里推荐一个大家可以看看：
【冒死整理】小白也能听懂的人工智能课程，AI入门+项目实战，这不比追剧有意思？python-深度学习-机器学习-决策树_哔哩哔哩_bilibili
智能医疗
机器可以进行海量的数据分析，不断地学习医学专业知识，帮助医生分析医学影像，医生可以通过机器所提供的帮助为患者诊断病情。
智能医疗的应用可以让医疗资源得到极大的丰富，降低了医疗成本，人工智能在医疗方面的应用是功德无量的。
人工智能专业的毕业生也可以从事智能医疗相关的工作，智能医疗行业的发展潜力非常巨大，如果可以凭借自身拥有的人工智能知识促进我国的医疗事业发展，是一件非常有意义的事。
人工智能的产业链相较于其他行业，已经发展得较为清晰，主要包括基础支撑、关键技术以及行业应用。毕业生可以根据所学专业的侧重点以及自身的兴趣爱好进行相关就业方向的选择。
免费分享一些我整理的人工智能学习资料给大家，整理了很久，非常全面。包括一些AI常用框架实战视频、图像识别、OpenCV、NLQ、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文、行业报告等。
为了更好的系统学习AI，推荐大家收藏一份。
下面是部分截图，点击文末名片关注我的公众号【AI技术星球】发送暗号321领取（一定要发暗号321）一、人工智能必读书籍
二、人工智能免费视频课程和项目
三、人工智能论文合集
四、人工智能行业报告
学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。
点击下方名片，扫码关注公众号【AI技术星球】发送暗号321免费领取文中资料