數(shù)據(jù)科學、機器學習和AI的區(qū)別？如何一起使用？

當我進行以數(shù)據(jù)科學家進行自我介紹時，經(jīng)常會被問道：“數(shù)據(jù)科學和機器學習有什么區(qū)別？”或者“這是不是意味著你在研究人工智能？”所以我將通過本文進行回答。

這些領(lǐng)域確實有很多重疊的地方，但它們并不是一個領(lǐng)域：即使很難用語言表達，這些領(lǐng)域的大多數(shù)專家也都能直觀的理解特定的工作是如何被分類為數(shù)據(jù)科學、機器學習或人工智能的。

所以在這篇文章中，我提出了關(guān)于這三個領(lǐng)域差異的簡化定義:

·數(shù)據(jù)科學產(chǎn)生洞察力。

·機器學習做出預測。

·人工智能生成行為。

顯然，這不是一個充分條件：不是所有符合該定義的東西都是該領(lǐng)域的一部分。（算命先生做出預言，但我們不會說他們在做機器學習?。┻@也不是一個確定某人角色或者職位頭銜的好方法（我是數(shù)據(jù)科學家嗎？）。

但是我認為這個定義對區(qū)分這三種工作是非常有效方法，并且可以避免你談?wù)撍臅r候聽起來很傻。

數(shù)據(jù)科學與其他兩個領(lǐng)域非常不同，因為它的目標同時也是人類的一個目標：獲得洞察力和理解能力。Jeff Leek對數(shù)據(jù)科學能夠達到的洞察類型有一個很好的定義，包括描述性（“平均客戶端更新的幾率為70%”）探索性（不同的銷售人員有不同的更新率）和因果關(guān)系。

同樣，并不是所有產(chǎn)生洞察力的都有資格成為數(shù)據(jù)科學，數(shù)據(jù)科學的經(jīng)典定義是它涉及了統(tǒng)計學，軟件工程和領(lǐng)域?qū)I(yè)知識的組合。但是我們可以利用這個定義來區(qū)分它和ML、AI。它們最主要的區(qū)別在于，在數(shù)據(jù)科學循環(huán)過程中總需要人參與：由人理解洞察結(jié)果，了解大體輪廓，或者從結(jié)論中獲益。所以像“下棋算法使用數(shù)據(jù)科學來選擇下一步”或者“谷歌地圖使用數(shù)據(jù)科學來推薦駕駛方向”這些說法都是毫無意義的。

因此，數(shù)據(jù)科學的定義強調(diào)：

·統(tǒng)計推斷

·數(shù)據(jù)可視化

·實驗設(shè)計

·領(lǐng)域知識

·通訊

數(shù)據(jù)科學家可以使用一些非常簡單的工具:他們可以獲得百分比，并根據(jù)SQL查詢結(jié)果繪制線形圖。也可以使用非常復雜的方法:他們能夠與分散的數(shù)據(jù)倉庫合作，分析數(shù)以萬億計的記錄，從而開發(fā)最前沿的統(tǒng)計技術(shù)，建立交互式可視化。但是不管他們使用什么，目的都是為了更好地理解他們的數(shù)據(jù)。

我認為機器學習屬于預測領(lǐng)域：“給出具有特定特征的實例X，推測Y”。這些預測可能是關(guān)于未來的（預測這個病人是否會進入敗血癥），也可能是關(guān)于預測對計算機來說不那么明顯的特性（預測這個圖像是否會有鳥）。幾乎所有的Kaggle競賽都可以被認為是機器學習相關(guān)的問題：他們提供一些訓練數(shù)據(jù)，然后看看競賽者能否對新的例子做出準確的預測。

數(shù)據(jù)科學和機器學習有很多的重疊之處。例如，都可以用邏輯回歸來獲取對有關(guān)關(guān)系的見解（越富裕的人越有可能購買我們的產(chǎn)品，所以我們應(yīng)該改變我們的營銷策略）并且可以做出預測（該用戶有53%的幾率購買我們的產(chǎn)品，所以我們應(yīng)該多向他們推銷）。

像隨機森林（random forests）這樣的模型，其可解釋性稍差，所以更適合“機器學習”的描述，而深度學習等方法則是難以解釋的。如果你的目標是獲取真知灼見，而不是做出預測，那么這可能會妨礙你。因此，我們可以想象一個數(shù)據(jù)科學和機器學習的“光譜”，有更多的可解釋模型傾向于數(shù)據(jù)科學方面，而更多的是機器學習方面的“黑匣子”模型。

大多數(shù)的從業(yè)者能夠非常自在的在兩個領(lǐng)域之間來回切換。我在工作中就同時使用了機器學習和數(shù)據(jù)學習：我可以在Stack Overflow流量數(shù)據(jù)上安裝一個模型，以確定哪些用戶可能正在尋找工作(機器學習)，然后構(gòu)建總結(jié)和可視化來檢驗?zāi)Ｐ偷墓ぷ髟?數(shù)據(jù)科學)。這是發(fā)現(xiàn)模型缺陷的一個重要方法，也是解決算法偏差的重要方法。這是數(shù)據(jù)科學家常常負責開發(fā)產(chǎn)品的機器學習組件的原因之一。

人工智能是迄今為止這三種標識中最古老也是最廣為人知的，因此定義它最具有挑戰(zhàn)性。這個術(shù)語已經(jīng)被炒作泛濫，這要歸功于研究人員，記者以及尋求金錢或者關(guān)注的創(chuàng)業(yè)公司。

·當你籌備資金時，這是人工智能

·當你招聘時，就是ML

·當你正在執(zhí)行時，這就是線性回歸

·當你調(diào)試時，就是printf()

讓我沮喪的是這引起了強烈的反彈，因為這意味著一些應(yīng)該被稱為人工智能的工作卻沒有得到相應(yīng)的描述。一些研究人員甚至還抱怨人工智能的影響：“人工智能是我們目前還做不到的”。那么我們可以用AI來描述什么工作呢？

“人工智能”定義中的一個共同點是自主代理人執(zhí)行或推薦操作，一些我認為應(yīng)該描述為AI的系統(tǒng)包括：

·游戲規(guī)則（深藍，AlphaGo）

·機器人與控制理論（運動規(guī)劃，行走兩足機器人）

·優(yōu)化（谷歌地圖選擇路線）

·自然語言處理（bots2）

·強化學習

同樣，我們可以看到它與其他領(lǐng)域有很多重疊之處。而深度學習橫跨了ML和AI兩個領(lǐng)域，這非常有趣。典型的用例是對數(shù)據(jù)進行訓練，然后生成預測，但在AlphaGo這樣的博弈算法中卻取得了巨大的成功。（這與早期的游戲系統(tǒng)不同，比如深藍，它更專注于探索和優(yōu)化未來的解決方案空間）。

但也有區(qū)別。如果我分析一些銷售數(shù)據(jù)并發(fā)現(xiàn)某個特定行業(yè)的客戶比其他行業(yè)的客戶更新的更多，那么輸出的是一些數(shù)字和圖形，而不是指定操作。

請不要將那些訓練算法的人描述為“利用了人工智能的力量”。

- Dave Gershgorn (@davegershgorn) 2017年9月18日。

人工智能和機器學習之間的區(qū)別更加微妙，歷史上的ML經(jīng)常被認為是人工智能的一個分支（特別是計算機視覺，其實它是一個典型的人工智能問題）。但我認為，ML領(lǐng)域很大程度上是由人工智能“中斷”的，部分原因是上面描述的反彈：大多數(shù)從事預測問題的人不喜歡把自己描述為人工智能研究員。（它能通過統(tǒng)計數(shù)據(jù)幫助許多ML實現(xiàn)重大突破，而這些數(shù)據(jù)在人工智能的其他領(lǐng)域卻沒有那么大的影響力）。這意味著如果你可以用“Y預測X”來描述一個問題，那么我建議你避免使用AI這個詞。

假設(shè)我們正在制造一輛自動駕駛汽車，并且正在研究如何在停車標記處自動停車的具體問題。那么我們將需要使用這三個領(lǐng)域的技能。

機器學習：汽車必須能夠通過攝像頭識別停車標志。我們構(gòu)建了數(shù)據(jù)集，其中包含數(shù)以百萬計的街邊對象的照片，并訓練一種算法來預測哪些有停止標志。

人工智能：一旦我們的汽車能夠識別停車標志了，就需要決定什么時候執(zhí)行剎車動作。太早太晚都非常危險，而且我們需要它能應(yīng)對不同的路況（例如，它要能意識到在濕滑路面上剎車不會快速減速），這是一個控制理論的問題。

數(shù)據(jù)科學：在街頭測試中，我們發(fā)現(xiàn)車輛性能不夠好，因為總會略過一些停車標志。通過對街頭測試數(shù)據(jù)的分析，我們得出了結(jié)論：在日出之前和日落之后，更容易錯過停車標志。這讓我們意識到，我們大部分的訓練數(shù)據(jù)只包含白天的影像，所以我們構(gòu)造了一個包括了夜間圖像的更好的數(shù)據(jù)集，然后重新回到機器學習步驟進行研究測試。

我們常說的“機器人”指的是解釋自然語言，然后以實物回應(yīng)的系統(tǒng)。這可以從文本挖掘中區(qū)分出來，其目標是提取見解（數(shù)據(jù)科學）或文本分類，其目標是對文檔進行分類（機器學習）。