人工智能有哪些分类方式呢？

Reactive Machines 、Limited Memory、Theory of Mind 、Self-aware、Artificial Narrow Intelligence(ANI) 、Artificial General Intelligence(AGI) 、Artificial Superintelligence(ASI)

上面是按照深度层次对人工智能进行分类，请问，人工智能还有哪些分类方式呢？

人工智能应用场景之一

人工智能学习记录－人工智能的技术流派＆应用分类
        前序的学习记录已结束慕课课程的第二章 人工智能发展简史的内容；而接下来三章课程内容的词，与我刷到的人工智能相关词有那么一些像又不那么像：基于决策树和搜索的智能系统（专家系统、博弈树、最大最小值法、α-β剪枝、启发式算法）、基于仿生算法的智能系统（基因遗传算法）、基于神经网络的智能系统（人工神经网络、机器学习、监督学习、非监督学习、强化学习）；
        所以在开始接下来的三章的学习内容总结前，我想我需要先弄清楚一些整体性的框架的定义、分类划分等，也不一定能完全正确的清楚，但希望至少得弄明白个大概的；
<hr/>以下是我一脸懵逼的信息搜索过程；
第一步搜索：利用的“知乎”搜索“人工智能 机器学习”；
GET到信息：
        a. 机器学习是人工智能的一个子集，深度学习是一种受人类大脑神经元之间的联系而启发出来的机器学习 方式。
知乎盐选 | 人工智能、机器学习与深度学习：究竟什么是深度学习？        b. 人工智能是最大的一个圆，圆里面分为两部分：一部分叫人工学习，也就是前面我们讲的专家系统；另一部分叫机器学习，就是机器自己学习。机器学习里面包含神经网络，在神经网络里面还要再分，一个是浅度学习，一个是深度学习；在过去芯片集成度低时，我们只能模仿很少的神经元。现在由于集成度在提高，我们可以模仿很多的神经元，当很多神经元被组成多层的网络时，我们就叫它深度学习。
另外还get一张五大流派八卦图，来源于美国华盛顿大学佩德罗 多明戈斯教授，《终极算法》，中信出版社，2017年（机器学习的五大学派）
如何定义「机器学习」？「机器学习」跟人工智能的关系是什么样的？



五大流派 八卦图

第二步搜索：利用“知乎”搜索“人工智能 机器视觉 自然语言处理”；
GET到信息：
        a. 计算机视觉（computer vision）又称为机器视觉（machine vision），顾名思义是一门教会计算机如何去看世界的学科。在机器学习大热的的前景下，计算机视觉与自然语言处理（natural language process，NLP）及语音识别（speech recognition）并列为机器学习方向的三大热点方向。
计算机视觉是当下最有前途的人工智能方向吗？基于 认为机器视觉等可以归类人工智能应用的方向 的理解，又拓展搜索了一些有关 学会以及国家工信部在人工智能领域的职业技能规划；
        a. 工业和信息化部 教育与考试中心：工业和信息化职业技能认证，在人工智能领域的培训项目和岗位名称，有点杂，具体如图：人工智能产业政策与行业应用＆人工智能与产业发展（人工智能研究员）、人工智能技术与应用实践（人工智能工程师）、人工智能与机器学习（人工智能算法工程师）、机器学习与深度学习＆深度学习框架（深度学习算法工程师）、自然语言处理技术＆人脸识别与自然语言处理（自然语言处理工程师）等；               
工业和信息化职业技能提升工程 / 培训项目目录_工业和信息化部教育与考试中心



工业和信息化职业技能认证培训项目－人工智能

        b. 中国人工智能学会，人工智能职业技能等级认证有七个方向的：计算机视觉（计算机视觉工程师－初/中/高）、自然语言处理（自然语言处理工程师－初/中/高）、深度学习（深度学习工程师－初/中/高级）、人工智能基础教育（编程指导师－初/中）、数据分析（数据分析师－初/中）、技术服务（人工智能训练师－初级）、元宇宙（元宇宙内容创作师－初/中级)
人工智能
<hr/>整体看下来后，个人不成熟理解如下，机器视觉等可归类为人工智能应用的方向，机器学习/人工神经网络等可归属人工智能实现的方法，终极吸收总结：
人工智能技术分类（学派分类）
        人工智能技术大的方向划分为 人工学习 和 机器学习；人工学习，即为专家系统（知识表示、规则推理）；机器学习，又可划分为五大流派：符号学派（决策树、搜索）、贝叶斯学派、类推学派（非监督学习、聚群）、联结学派（监督学习、人工神经网络、深度学习）、进化学派（基因遗传算法）

其实对这里的分法，个人还是有些疑问没有解决的；
        专家系统在前序的学习记录中是符号主义延续发展的，那和这里的符号学派是关联的么？
        机器学习课程内容里有一种分类方式，分为监督学习、非监督学习、强化学习；监督和非监督是可以分别对应到联结和类推学派么，强化学习又对应哪个学派？
       目前选择保留疑问，更详细的学习了解后再返回来看。

人工智能行业职业细分（应用细分）
        应用细分方向逐渐成型、比较热门的有：计算机视觉、自然语言处理、数据分析、元宇宙拓；展出的相关行业职业方向有：人工智能基础教育、技术服务/数据标注

技术、应用、学术、定义、产品、使用角色……有许多分类方式。

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
人工智能产品背后的数据、软件及算法等是人工智能的核心要素，而包括机器人、语音助手等在内的软硬件产品仅是人工智能的载体。
行行查 | 行业研究数据库人工智能的概念很宽泛，可将人工智能依据实力划分为三类：
1）弱人工智能：仅擅长某个单方面应用的人工智能，超出特定领域外则无有效解；
2）强人工智能：人类级别的人工智能，在各方面都能和人类比肩，且无法简单进行人类与机器的区分；
3）超人工智能：在各个领域均可以超越人类，在创新创造、创意创作领域均可超越人类，可解决任何人类无法解决的问题。
从目前人工智能的应用场景来看，当前人工智能仍是以特定应用领域为主的弱人工智能，如图像识别、语音识别等生物识别分析，如智能搜索、智能推荐、智能排序等智能算法等。而涉及到垂直行业，人工智能多以辅助的角色来辅佐人类进行工作，诸如目前的智能投顾、自动驾驶汽车等，而真正意义上的完全摆脱人类且能达到甚至超过人类的人工智能尚不能实现。
预计，未来随着运算能力、数据量的大幅增长以及算法的提升，弱人工智能将逐步向强人工智能转化，机器智能将从感知、记忆和存储向认知、自主学习、决策与执行进阶。


扫码获取行业研报图册1.0
手机访问“行行查”小程序更方便.

人工智能领域的分类包括，研究包括机器人、图像识别、语言识别、自然语言处理和专家系统等。人工智能是一门极富挑战性的科学，从事这项工作的人，必须懂得计算机知识、心理学和哲学。
人工智能主要有三个分支：
1) 认知AI （cognitive AI）  
认知计算是最受欢迎的一个人工智能分支，负责所有感觉“像人一样”的交互。认知AI必须能够轻松处理复杂性和二义性，同时还持续不断地在数据挖掘、NLP（自然语言处理）和智能自动化的经验中学习。                  
现在人们越来越倾向于认为认知AI混合了人工智能做出的最好决策和人类工作者们的决定，用以监督更棘手或不确定的事件。这可以帮助扩大人工智能的适用性，并生成更快、更可靠的答案。
2) 机器学习AI （Machine Learning AI）   
机器学习（ML）AI是能在高速公路上自动驾驶你的特斯拉的那种人工智能。它还处于计算机科学的前沿，但将来有望对日常工作场所产生极大的影响。机器学习是要在大数据中寻找一些“模式”，然后在没有过多的人为解释的情况下，用这些模式来预测结果，而这些模式在普通的统计分析中是看不到的。               
然而机器学习需要三个关键因素才能有效：                  
a) 数据，大量的数据                     
为了教给人工智能新的技巧，需要将大量的数据输入给模型，用以实现可靠的输出评分。例如特斯拉已经向其汽车部署了自动转向特征，同时发送它所收集的所有数据、驾驶员的干预措施、成功逃避、错误警报等到总部，从而在错误中学习并逐步锐化感官。 一个产生大量输入的好方法是通过传感器：无论你的硬件是内置的，如雷达，相机，方向盘等（如果它是一辆汽车的话），还是你倾向于物联网(Internet of Things)。蓝牙信标、健康跟踪器、智能家居传感器、公共数据库等只是越来越多的通过互联网连接的传感器中的一小部分，这些传感器可以生成大量数据。