遷移學習是弱人工智慧嗎

1樓：網友

是。通常將人工智慧分為弱人工智慧和強人工智慧：弱人工智慧攔歲讓機器具備觀察和感知的能力，可以做到一定程度的理解和推理；而強人工智慧讓機器獲得自適應能力，解決一些之前沒有遇到過的問題。

機器學習最基本的做法，是使用演算法來解析資料、從中學習，然後對真實世界中的事件做出決策和此扮**。與傳統的為解決特定任務、硬編碼的軟體程式不同，機器學習是用大量的資料來「訓練」，通過各種演算法從資料中學習如何完成任務。

機器學習直接**於早期的人工智慧領域，傳統的演算法包括決策樹、聚類、貝葉斯分類、支援向量機、em、adaboost等等。從學習方法上來分，機器學習演算法可以分為監督學習（如分類問題）、無監督學習（如聚類問題）、半監督學習、整合學習、深度學習和強化學習。

三、深度學習。

最初的深度學習是利用深度神經網路（dnn）來解決特徵表達的一種學習過程。深度神經網路本身並不是乙個全新的概念，可大致理解為包含多個隱含層的神經網路結構。目前，dnn演化出了許多不同的網路拓撲結構，包括：

卷積神經網路（cnn）、遞迴神經網路（rnn）、長期短期記憶網路（lstm）、生成對抗網路（gan）等。

深度學習是一種機器學習的技術，也是現在機器學習最常用的一些手段。目前，深度學習在計算機視覺，語音識別，自然語言處理(nlp)等領域取得了使用傳統機器學習演算法所無法取得的成就。

四、強化學習。

強化學習，又稱再勵學習或者評價學習，也是機器學習的技術之一。強化學習是智慧型體自主探索環境狀態，採取行為作用簡扒睜於環境並從環境中獲得回報的過程。

五、遷移學習。

遷移學習是一種機器學習的方法，指的是乙個預訓練的模型被重新用在另乙個任務中。遷移學習與多工學習以及概念飄移這些問題相關，它不是乙個專門的機器學習領域。

智慧型機器不容易做遷移學習的原因是:

2樓：幸福的蜜蜂兒

智慧型機器不容易做遷移學習的原因是：訓練資料集是特定領域的、具體問題建模是固定的。

擴充套件：智慧型機器缺點。

一、資料偏差問題。

人工智慧系統需要大量的資料來進行訓練和學習，但是這些資料往往存在著偏差。例如，在人臉識別技術中，由於訓練資料集中往往只包含了某些人的**，這就導致了在面對其他人時可能會出現誤判的情況。

二、缺乏「常識」

人工智慧系統往往只能根據訓練蔽譽資料進行決策和推斷，缺乏像人類一樣的「常識」。野陵例如，在乙個關於餐桌的場景中，如果桌子上只有餐巾紙、餐盤、餐具等物品，但是缺少食物，人類很容易推斷出這個餐桌是空的，但是對於人工智慧系統來說，如果沒有特別訓練，可能會出現誤判的情況。

三、安全問題。

人工智慧系統中存在著一些漏洞和安全隱患，這可能導致黑客攻擊和私隱洩露等問題。例如，在語音助手中，黑客可以通過模擬聲音來欺騙人工智慧系統，使其執行不當操作。

四、缺乏透明性和可解釋性。

人工智慧系統往往是黑盒子，缺乏透明性和可解釋性，這就導致了人們難以理解系統的決策過程。例如，在推薦演算法中，人們難以理解為什麼系統會給出某些推薦結果，這可能會降低人們對系統的信任度。

五、高成本。

創造一臺能夠模頌並戚擬人類智慧型的機器的能力是一項不小的壯舉。它需要大量的時間和資源，並且可能花費大量的金錢。人工智慧還需要在最新的硬體和軟體上執行，以保持更新和滿足最新的要求，因此成本相當高。