《数据科学与分析：Python语言实现》 —3.2　人工智能和机器学习

3.2　人工智能和机器学习

人工智能是一个具有多种内涵的领域：从有用的伴侣机器人到有感知的“杀手”机器人，甚至是奇点。关键在于复合名词中第二个词——智能的吸引力。什么是智能？我们如何量化它？存在争议的是第一个词——人工。是否有可能借助机器重建智能，使其行为类似于人的智能行为？

这并不是一个新的目标：重建像人类一样的物种的想法一直是诸如Golem、Pinocchio或Frankenstein等的故事的灵感来源。因此，当天才艾伦·图灵在1936年提出通用机器的概念时，制造智能机器人也成为可能。

在图灵测试中，艾伦·图灵考虑玩“模仿游戏”，玩家必须根据对话者对他们所提问题的书面回答，决定两个对话者中哪个是人类，哪个是机器。

如果无法把机器和人区分开，则可以说机器也可以“思考”。事实上，如果除了通过与自己的思想进行比较的过程之外，没有办法说出其他人在想什么，那么从这个角度来看，没有理由将机器视为与人类不同。

作为一个研究领域，人工智能的目标是使机器执行与人类智力处理能力相关联的任务。这是一项艰巨的劳动，不仅涉及计算机科学的进步，还涉及神经科学、心理学甚至哲学。

在其他任务中，模式识别（如前一节所述）是人工智能必须完成的各项功能的组成部分。识别规律的能力将使人能够适应各种不断变化的环境条件。这种适应性使人能对周围环境做出反应，并通过学习改变自己的行为。因此，人们对人工智能设备也有相同的期望。

从这个角度来看，机器学习可以看作人工智能的一个子领域。在这方面，机器学习的目标比人工智能要简单得多，机器学习的目的不是成为最终有感知的机器人，而是研究基于环境刺激的可用于改善智能代理的性能的方法。

请注意，尽管此定义使用了引人回忆的语言，但刺激可能不一定是实时读取的，甚至不是由智能代理直接读取，因此智能代理不一定是人工的。

举例来说，业务经理想要了解哪些营销材料是其在线客户最欢迎的。客户浏览习惯的数据可以对此起到作用，这种理解将有助于提高业务经理的业务绩效。由此不难看出为什么机器学习已经成为数据科学和分析的重要组成部分。

机器学习在现代生活中已经无处不在，例如，每次检查电子邮件并在收件箱中识别垃圾邮件时，你都会为算法（很可能是一个朴素贝叶斯分类器（参见6.4.1节））提供一个新的例子，以便在未来捕获类似的垃圾邮件。类似地，在线零售商借助协同过滤，通过分析其他类似客户之前购买的商品，能够将产品定向到客户。我们之前提到了图像识别，还有其他例子，包括欺诈检测、广告放置、网络搜索等。