[limonel]

И что. Это часть нейронной сети, а сама нейронная сеть может быть как с ним так и без него.
ИИ использует элементы нейросети для выполнения задач, а особо сильные могут в процессе обучения сами создавать для себя новые математические модели тем самым расширяя нейронную сеть.

Категории ИИ
Существует три основные категории ИИ:

Узкий искусственный интеллект (ANI)
Общий искусственный интеллект (AGI)
Искусственный суперинтеллект (ASI)

ANI считается «слабым» ИИ, в то время как два других типа классифицируются как «сильный» ИИ. Мы определяем слабый ИИ по его способности выполнить конкретную задачу, например, выиграть шахматную партию или идентифицировать конкретного человека на серии фотографий. Обработка естественного языка (NLP) и компьютерное зрение, которые позволяют компаниям автоматизировать задачи и лежат в основе чат-ботов и виртуальных помощников, таких как Siri и Alexa, являются примерами ANI. Компьютерное зрение является фактором развития беспилотных автомобилей.

Более сильные формы ИИ, такие как AGI и ASI, включают в себя человеческое поведение, такое как способность интерпретировать тон и эмоции. Сильный ИИ определяется его способностями по сравнению с людьми. Общий искусственный интеллект (AGI) будет работать наравне с другим человеком, в то время как искусственный суперинтеллект (ASI), также известный как сверхинтеллект, превзойдет интеллект и способности человека. Пока не существует ни одной из форм сильного ИИ, но исследования в этой области продолжаются.

И есть то с чем его путают.

Машинное обучение — это разновидность искусственного интеллекта, которая позволяет проводить оптимизацию. При правильной настройке он помогает делать прогнозы, которые сводят к минимуму ошибки, возникающие при простом угадывании. Например, такие компании, как Amazon, используют машинное обучение, чтобы рекомендовать продукты конкретному клиенту на основе того, что он смотрел и покупал раньше.

Классическое или «неглубокое» машинное обучение зависит от вмешательства человека, что позволяет компьютерной системе выявлять закономерности, обучаться, выполнять определенные задачи и предоставлять точные результаты. Эксперты определяют иерархию признаков, чтобы понять различия между входными данными, для изучения которых обычно требуются более структурированные данные.

Например, предположим, что я показал вам серию изображений различных видов фаст-фуда — «пицца», «бургер» и «тако». Эксперт, работающий с этими изображениями, определит характеристики, отличающие каждую картинку от конкретного типа фаст-фуда. Хлеб в каждом виде пищи может быть отличительной чертой. В качестве альтернативы они могут использовать ярлыки, такие как «пицца», «бургер» или «тако», чтобы упростить процесс обучения с помощью контролируемого обучения.

Что такое нейронная сеть?
Нейронные сети, также называемые искусственными нейронными сетями (ИНС) или имитационными нейронными сетями (SNN), представляют собой подмножество машинного обучения и являются основой алгоритмов глубокого обучения. Их называют «нейронными», потому что они имитируют то, как нейроны в мозге сигнализируют друг другу.

Нейронные сети состоят из узловых слоев — входного слоя, одного или нескольких скрытых слоев и выходного слоя. Каждый узел представляет собой искусственный нейрон, который соединяется со следующим, и каждый из них имеет вес и пороговое значение. Когда выходной сигнал одного узла превышает пороговое значение, этот узел активируется и отправляет свои данные на следующий уровень сети. Если он ниже порогового значения, данные не передаются.

Обучающие данные обучают нейронные сети и помогают со временем повысить их точность. После того, как алгоритмы обучения отлажены, они становятся мощными инструментами информатики и искусственного интеллекта, поскольку позволяют нам очень быстро классифицировать и кластеризовать данные. При использовании нейронных сетей задачи по распознаванию речи и изображений могут выполняться за считанные минуты, а не за часы, как при ручном режиме. Поисковый алгоритм Google — известный пример нейронной сети.

В чем разница между глубоким обучением и нейронными сетями?
Как упоминалось в описании нейронных сетей выше, но стоит отметить более явно, «глубокий» в глубоком обучении относится к глубине слоев в нейронной сети. Нейронную сеть, состоящую из более чем трех слоев, включая входы и выходы, можно считать алгоритмом глубокого обучения. Это можно представить в виде следующей диаграммы:

.......... .......... ..............