人工智能，机器学习与深度学习，到底是什么关系

有人说，人工智能（AI）是未来，人工智能是科幻，人工智能也是我们日常生活中的一部分。这些评价可以说都是正确的，就看你指的是哪一种人工智能。

今年早些时候，Google DeepMind的AlphaGo打败了韩国的围棋大师李世乭九段。在媒体描述DeepMind胜利的时候，将人工智能（AI）、机器学习（machine learning）和深度学习（deep learning）都用上了。这三者在AlphaGo击败李世乭的过程中都起了作用，但它们说的并不是一回事。

今天我们就用最简单的方法——同心圆，可视化地展现出它们三者的关系和应用。

向左转|向右转

如上图，人工智能是最早出现的，也是最大、最外侧的同心圆；其次是机器学习，稍晚一点；最内侧，是深度学习，当今人工智能大爆炸的核心驱动。

五十年代，人工智能曾一度被极为看好。之后，人工智能的一些较小的子集发展了起来。先是机器学习，然后是深度学习。深度学习又是机器学习的子集。深度学习造成了前所未有的巨大的影响。

从概念的提出到走向繁荣

1956年，几个计算机科学家相聚在达特茅斯会议（Dartmouth Conferences），提出了“人工智能”的概念。其后，人工智能就一直萦绕于人们的脑海之中，并在科研实验室中慢慢孵化。之后的几十年，人工智能一直在两极反转，或被称作人类文明耀眼未来的预言；或者被当成技术疯子的狂想扔到垃圾堆里。坦白说，直到2012年之前，这两种声音还在同时存在。

过去几年，尤其是2015年以来，人工智能开始大爆发。很大一部分是由于GPU的广泛应用，使得并行计算变得更快、更便宜、更有效。当然，无限拓展的存储能力和骤然爆发的数据洪流（大数据）的组合拳，也使得图像数据、文本数据、交易数据、映射数据全面海量爆发。

让我们慢慢梳理一下计算机科学家们是如何将人工智能从最早的一点点苗头，发展到能够支撑那些每天被数亿用户使用的应用的。

| 人工智能（Artificial Intelligence）——为机器赋予人的智能

向左转|向右转

早在1956年夏天那次会议，人工智能的先驱们就梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。这就是我们现在所说的“强人工智能”（General AI）。这个无所不能的机器，它有着我们所有的感知（甚至比人更多），我们所有的理性，可以像我们一样思考。

人们在电影里也总是看到这样的机器：友好的，像星球大战中的C-3PO；邪恶的，如终结者。强人工智能现在还只存在于电影和科幻小说中，原因不难理解，我们还没法实现它们，至少目前还不行。

我们目前能实现的，一般被称为“弱人工智能”（Narrow AI）。弱人工智能是能够与人一样，甚至比人更好地执行特定任务的技术。例如，Pinterest上的图像分类；或者Facebook的人脸识别。

这些是弱人工智能在实践中的例子。这些技术实现的是人类智能的一些具体的局部。但它们是如何实现的？这种智能是从何而来？这就带我们来到同心圆的里面一层，机器学习。

| 机器学习—— 一种实现人工智能的方法

向左转|向右转

机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。

机器学习直接来源于早期的人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。众所周知，我们还没有实现强人工智能。早期机器学习方法甚至都无法实现弱人工智能。

机器学习最成功的应用领域是计算机视觉，虽然也还是需要大量的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器，以便让程序能识别物体从哪里开始，到哪里结束；写形状检测程序来判断检测对象是不是有八条边；写分类器来识别字母“ST-O-P”。使用以上这些手工编写的分类器，人们总算可以开发算法来感知图像，判断图像是不是一个停止标志牌。

这个结果还算不错，但并不是那种能让人为之一振的成功。特别是遇到云雾天，标志牌变得不是那么清晰可见，又或者被树遮挡一部分，算法就难以成功了。这就是为什么前一段时间，计算机视觉的性能一直无法接近到人的能力。它太僵化，太容易受环境条件的干扰。

随着时间的推进，学习算法的发展改变了一切。

| 深度学习——一种实现机器学习的技术

向左转|向右转

人工神经网络（Artificial Neural Networks）是早期机器学习中的一个重要的算法，历经数十年风风雨雨。神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一个神经元可以连接一定距离内的任意神经元不同，人工神经网络具有离散的层、连接和数据传播的方向。

例如，我们可以把一幅图像切分成图像块，输入到神经网络的第一层。在第一层的每一个神经元都把数据传递到第二层。第二层的神经元也是完成类似的工作，把数据传递到第三层，以此类推，直到最后一层，然后生成结果。

每一个神经元都为它的输入分配权重，这个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重加总来决定。

我们仍以停止（Stop）标志牌为例。将一个停止标志牌图像的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、救火车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论，它到底是不是一个停止标志牌。神经网络会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。

这个例子里，系统可能会给出这样的结果：86%可能是一个停止标志牌；7%的可能是一个限速标志牌；5%的可能是一个风筝挂在树上等等。然后网络结构告知神经网络，它的结论是否正确。

即使是这个例子，也算是比较超前了。直到前不久，神经网络也还是为人工智能圈所淡忘。其实在人工智能出现的早期，神经网络就已经存在了，但神经网络对于“智能”的贡献微乎其微。主要问题是，即使是最基本的神经网络，也需要大量的运算。神经网络算法的运算需求难以得到满足。

不过，还是有一些虔诚的研究团队，以多伦多大学的Geoffrey Hinton为代表，坚持研究，实现了以超算为目标的并行算法的运行与概念证明。但也直到GPU得到广泛应用，这些努力才见到成效。

我们回过头来看这个停止标志识别的例子。神经网络是调制、训练出来的，时不时还是很容易出错的。它最需要的，就是训练。需要成百上千甚至几百万张图像来训练，直到神经元的输入的权值都被调制得十分精确，无论是否有雾，晴天还是雨天，每次都能得到正确的结果。

只有这个时候，我们才可以说神经网络成功地自学习到一个停止标志的样子；或者在Facebook的应用里，神经网络自学习了你妈妈的脸；又或者是2012年吴恩达（Andrew Ng）教授在Google实现了神经网络学习到猫的样子等等。

吴教授的突破在于，把这些神经网络从基础上显著地增大了。层数非常多，神经元也非常多，然后给系统输入海量的数据，来训练网络。在吴教授这里，数据是一千万YouTube视频中的图像。吴教授为深度学习（deep learning）加入了“深度”（deep）。这里的“深度”就是说神经网络中众多的层。

现在，经过深度学习训练的图像识别，在一些场景中甚至可以比人做得更好：从识别猫，到辨别血液中癌症的早期成分，到识别核磁共振成像中的肿瘤。Google的AlphaGo先是学会了如何下围棋，然后与它自己下棋训练。它训练自己神经网络的方法，就是不断地与自己下棋，反复地下，永不停歇。

| 深度学习，给人工智能以璀璨的未来

深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。

人工智能就在现在，就在明天。有了深度学习，人工智能甚至可以达到我们畅想的科幻小说一般。你的C-3PO我拿走了，你有你的终结者就好了。

一、人工智能

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

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，该领域的研究包括语音识别、图像识别、机器人、自然语言处理、智能搜索和专家系统等。

人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也有可能超过人的智能。

二、数据挖掘

数据挖掘(Data Mining)，顾名思义就是从海量数据中“挖掘”隐藏信息，按照教科书的说法，这里的数据是“大量的、不完全的、有噪声的、模糊的、随机的实际应用数据”，信息指的是“隐含的、规律性的、人们事先未知的、但又是潜在有用的并且最终可理解的信息和知识”。在商业环境中，企业希望让存放在数据库中的数据能“说话”，支持决策。所以，数据挖掘更偏向应用。

数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。

三、机器学习

机器学习(Machine Learning)是指用某些算法指导计算机利用已知数据得出适当的模型，并利用此模型对新的情境给出判断的过程。

机器学习的思想并不复杂，它仅仅是对人类生活中学习过程的一个模拟。而在这整个过程中，最关键的是数据。

任何通过数据训练的学习算法的相关研究都属于机器学习，包括很多已经发展多年的技术，比如线性回归(Linear Regression)、K均值(K-means，基于原型的目标函数聚类方法)、决策树(Decision Trees，运用概率分析的一种图解法)、随机森林(Random Forest，运用概率分析的一种图解法)、PCA(Principal Component Analysis，主成分分析)、SVM(Support Vector Machine，支持向量机)以及ANN(Artificial Neural Networks，人工神经网络)。

四、深度学习

深度学习(Deep Learning)的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。

五、人工智能与机器学习、深度学习的关系

严格意义上说，人工智能和机器学习没有直接关系，只不过目前机器学习的方法被大量的应用于解决人工智能的问题而已。目前机器学习是人工智能的一种实现方式，也是最重要的实现方式。

早期的机器学习实际上是属于统计学，而非计算机科学的;而二十世纪九十年代之前的经典人工智能跟机器学习也没有关系。所以今天的AI和ML有很大的重叠，但并没有严格的从属关系。

不过如果仅就计算机系内部来说，ML是属于AI的。AI今天已经变成了一个很泛泛的学科了。

深度学习是机器学习现在比较火的一个方向，其本身是神经网络算法的衍生，在图像、语音等富媒体的分类和识别上取得了非常好的效果。

所以，如果把人工智能与机器学习当成两个学科来看，三者关系如下图所示：

如果把深度学习当成人工智能的一个子学科来看，三者关系如下图所示

六、数据挖掘与机器学习的关系

数据挖掘主要利用机器学习界提供的技术来分析海量数据，利用数据库界提供的技术来管理海量数据。

机器学习是数据挖掘的一种重要方法，但机器学习是另一门学科，并不从属于数据挖掘，二者相辅相成。

人工智能(Artificial Intelligence) ，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 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。学习的话可以加裙前面六九式中间二六九最后加上五四零就可以进来学习了奥，不定期还会有资料推送，还有人工智能领域大牛在线解答问题。
什么是机器学习
机器学习可以理解为机器从已知的经验数据（样本）中，通过某种特定的方法（算法），自己去寻找提炼（训练/学习）出一些规律（模型）；提炼出的规律就可以用来判断一些未知的事情（预测）。
比如我们接触了1w只单身汪（已知样本），通过归纳总结与比较（算法）找出TA们身上一些共性特点，然后将这些共性特点作为判断单身汪的依据（模型），那么下次遇到一个人（未知样本），就可以判断TA是不是单身了（预测）。
既然是从一堆已知的样本中找规律，那么找规律的方式以及找出的规律的形态就会因人而异，也就是算法与模型都可能会有所不同。所以，机器学习本身也是分为不同流派的，每种流派都有它代表性的模型与算法。机器学习主要分为符号主义学习（以决策树模型与相关算法为代表）、连接主义学习（以神经网络模型与相关算法为代表）与统计学习（以支持向量机与相关算法为代表）。符号主义学习与连接主义学习在20世纪80年代至90年代中期非常流行，统计学习则从90年代中期开始迅速占据舞台。值得一提的是，为判断一个人是否为单身汪而找出的一系列特征规律其实就是一棵决策树。
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
人工智能是一个大的概念，是研究如何使机器获得智能的学科；机器学习是人工智能中的一个技术流派，通过从已知样本中提炼规律来获得判断未知样本的“智能”；深度学习则是机器学习的一种，它所学习出来的模型是深度神经网络。

实际上，下10,000家初创公司的商业计划很容易预测：以X并添加AI。通过添加在线智能来查找可以做得更好的东西 - 凯文·凯利（ Kevin Kelly），不可避免：了解将塑造我们未来的12种技术力量 在过去的几年中，人工智能仍然是最热门的话题之一。最好的头脑参加AI研究，最大的公司为发展该领域的能力分配天文数字，而AI初创公司每年收集数十亿美元的投资。 如果您从事业务流程改进或为您的业务寻找新的想法，那么您很可能会遇到AI。为了有效地使用它，您需要了解其组成部分。 人工智能 让我们找出人工智能到底是什么。FrançoisChollet在他的《用Python进行深度学习》一书中作了简短的描述：“努力使通常由人类执行的智力任务自动化。因此，人工智能是一个涵盖机器学习和深度学习的通用领域，但还包括许多不涉及任何学习的方法”。 例如，今天的聊天机器人ELIZA的前身是在麻省理工学院人工智能实验室创建的。该程序可以与人保持长时间的对话，但是在对话过程中无法学习新单词或纠正其行为。ELIZA的行为将使用特殊的编程语言明确指定。 现代意义上的人工智能历史始于1950年代，当时艾伦·图灵（Alan Turing）和达特茅斯（Dartmouth）工作坊的作品汇聚了该领域的第一批爱好者，并在其中阐述了人工智能科学的基本原理。此外，为了成为当今世界科学的关键领域之一，该行业经历了利益激增和随后的衰退（所谓的“人工智能冬天”）的几个周期。 值得一提的是强人工智能和弱人工智能的假设。强大的AI可以独立思考并意识到自己。弱小的AI被剥夺了这种能力，仅执行一定范围的任务（下棋，识别图像中的猫咪或画画，价格为432,500美元）。现有的所有AI都很薄弱，不用担心。 如今，很难想象没有使用AI的任何类型的活动。无论您是开车，自拍照，在网上商店自己买运动鞋还是计划假期，几乎每个地方都有小型，薄弱但已经非常有用的人工智能为您提供帮助。 机器学习 学习的能力是智力的关键特征之一（人为而非真正的人为）。对于AI来说，一系列机器学习模型对此功能负责。它们的本质很简单：与经典算法不同，经典算法是一组清晰的指令，这些指令将输入的数据转换为结果，基于数据示例和相应结果的机器学习可发现数据中的模式，并产生将任意数据转换为所需结果的算法。 机器学习主要分为三类： 监督学习 -根据数据示例对系统进行训练，每个示例均具有先前已知的结果。机器学习有两个最受欢迎的任务：回归和分类任务。回归是对连续结果的预测，例如房屋价格或制造业排放水平。分类-类别（类）预测，例如，电子邮件是否是垃圾邮件，书是侦探小说还是百科全书。 无监督学习 -系统在数据中查找内部关系和模式。在这种情况下，每个示例的结果都是未知的。 强化学习 是一种方法，在该方法中，系统将针对正确的行为给予奖励，而对错误的行为予以惩处。结果，系统学会开发一种算法，在该算法中，它获得最高的报酬和最低的惩罚。 理想的机器学习模型可以分析任何数据，找到所有模式并创建算法以实现任何期望的结果。但是，尚未创建此理想模型。您可以在Pedro Domingos的 “主算法”中了解其创建路径。 当今的机器学习模型专门处理某些任务，它们各有优缺点。这些模型包括以下几种： 线性回归 是从统计数据推导的经典模型。顾名思义，它是为回归任务而设计的，即对连续值的预测。例如，根据天气情况，将出售多少柠檬水。 Logistic回归 用于分类任务。它预测给定样本属于特定类别的可能性。 决策树 是经常用于分类任务的方法。在此方法中，给定对象的类定义为一系列问题，每个问题通常涉及答案是或否。 K最近邻居 是一种简单快速的方法，通常用于分类。在这种方法中，数据点类别由与数据点示例最相似的k（k可以是任何数字）确定。 朴素贝叶斯 （Naive Bayes）是一种流行的分类方法，它利用概率论和贝叶斯定理来确定在给定条件下某个事件（电子邮件为垃圾邮件）的可能性（在电子邮件中发现“免费贷款”一词20次） 。 SVM 是一种受监督的机器学习算法，通常用于分类任务。即使每个对象具有许多相互关联的功能，它也可以有效地分离不同类的对象。 集合 组合了许多机器学习模型，并基于投票或平均每个模型的响应来确定对象的类别。 神经网络 基于人脑的原理。神经网络由许多神经元及其之间的连接组成。神经元可以表示为具有多个输入和一个输出的函数。每个神经元从输入中获取参数（每个输入可能具有不同的权重，这决定了其重要性），对它们执行特定的功能，并将结果提供给输出。一个神经元的输出可以是另一神经元的输入。因此，形成了多层神经网络，这是深度学习的主题。我们将更详细地讨论这一点。 神经元结构图： 具有两个隐藏层的人工神经网络： 通过研究给定的示例，神经网络会调整神经元之间的权重，以便为对获得所需结果影响最大的神经元赋予最大的权重。例如，如果一种动物是条纹的，蓬松的和猫叫的，那么它可能是一只猫。同时，我们将最大权重分配给喵参数。因此，如果该动物不是条纹且不是蓬松的而是猫叫的-它仍然可能是猫。 深度学习 深度学习涉及深度神经网络。关于深度的意见可能会 有所不同。一些专家认为，如果网络具有多个隐藏层，则可以将其视为深度网络；而另一些专家则只有在网络具有多个隐藏层的情况下，才能将其视为深度网络。 现在有几种类型的神经网络正在积极使用。其中最受欢迎的是以下几种： 长短期记忆（LSTM） -用于文本分类和生成，语音识别，音乐作品生成和时间序列预测。 卷积神经网络（CNN） -用于图像识别，视频分析和自然语言处理任务。 结论 那么AI，机器学习和深度学习之间有什么区别？我们希望阅读本文后，您已经知道该问题的答案。人工智能是智能任务（例如阅读，玩Go游戏，图像识别和创建自动驾驶汽车）自动化的一般领域。机器学习是一组人工智能方法，它们负责AI的学习能力。深度学习是研究多层神经网络的机器学习方法的子类。. 原文出自[人工智能学习网] 转载请保留原文链接: https://www.itcandy.cn/29023.htm

人工智能 就是人工地让机器智能化，像人一样思考、学习与行为。
如何让机器（machine）像人一样思考、学习与行为？？？这些方法（算法）有很多！统称为“机器学习”。
“深度学习”是“机器学习”中的一个重要领域。其概念源于人工神经网络的研究，模仿人类的神经元之间的联系机制。