机器学习
深度学习
自然语言处理
专家系统
机器人
机器视觉
语音识别

机器学习

它主要涉及允许系统从历史数据中学习的算法的设计和开发。
机器学习的基础是机器可以从过去的数据中学习，识别模式并使用算法做出决策。
机器学习算法的设计方式使其可以自动学习并提高性能。
机器学习有助于发现数据模式。

机器学习的类型

监督学习:
监督学习是一种机器学习，其中机器从已知数据集(一组训练示例)中学习，然后预测输出。监督学习代理需要找出与给定样本集匹配的功能。
监督学习可以进一步分为两类算法: 分类 回归
强化学习:
强化学习是一种学习，其中AI发出一些命令来训练AI代理，并且在每个动作上，代理都会获得奖励作为反馈。这些反馈可以提高代理的性能。
奖励反馈可以是正面的或负面的，这意味着在每个好的行为上，行为人会收到积极的奖励，而在错误的行为上会得到消极的奖励。
强化学习有两种类型: 积极强化学习 负强化学习
无监督学习
无监督学习与未经监督或培训的学习相关。在无监督学习中，使用既未标记也未分类的数据训练算法。在无监督学习中，代理需要从没有相应输出值的模式中学习。
无监督学习可以分为两类算法: 集群 协会

自然语言处理

语音
文本

深度学习

深度学习是通过神经网络架构实现的，因此也称为深度神经网络。
深度学习是自动驾驶汽车，语音识别，图像识别，自动机器翻译等背后的主要技术。
深度学习的主要挑战是它需要大量具有强大计算能力的数据。

深度学习的工作原理:

深度学习算法适用于深度神经网络，因此称为深度学习。这些深度神经网络由多层组成。
第一层称为输入层，最后一层称为输出层，这两层之间的所有层称为隐藏层。
在深度神经网络中，存在多个隐藏层，并且每个层都由神经元组成。这些神经元在每一层都是相连的。
输入层接收输入数据，神经元将输入信号传播到其上一层。
隐藏层对输入执行数学运算，并将执行的数据转发到输出层。
输出层将输出返回给用户。

专家系统

专家系统是人工智能的应用。在人工智能中，专家系统是依赖于获取人类专家知识并将其编程到系统中的计算机程序。
专家系统模仿人类专家的决策能力。这些系统旨在通过知识体系而非常规的程序代码来解决复杂的问题。
专家系统的示例之一是在Google搜索框中键入时对拼写错误的建议。
以下是专家系统的一些特征: 高性能 可靠 响应迅速 难以理解

机器人

机器人技术是人工智能和工程学的一个分支，用于设计和制造机器人。
机器人是可以自动或半自动执行一系列动作的编程机器。
AI可以应用于机器人，以制造出可以智能地执行任务的智能机器人。 AI算法对于使机器人执行更复杂的任务是必不可少的。
如今，人工智能和机器学习正在机器人上应用，以制造智能机器人，该机器人也可以像人类一样进行社交互动。 Sophia机器人。

机器视觉

机器视觉是计算机视觉的一种应用，可使机器识别物体。
机器视觉使用一个或多个摄像机，模数对话和数字信号处理来捕获和分析视觉信息。
对机器视觉系统进行编程以执行狭义定义的任务，例如计数对象，读取序列号等。
计算机系统的视线与人眼所见的方式不同，但是它也不受诸如透视墙之类的人为限制。
借助机器学习和机器视觉，AI代理可以透视墙壁。

语音识别:

系统控制或导航系统
工业应用
语音拨号系统

取决于发言人
与扬声器无关