人工智能，机器学习和深度学习的区别是什么

为了搞清三者关系，我们来看一张图：

如图所示：人工智能最大，此概念也最先问世；然后是机器学习，出现的稍晚；最后才是深度学习。

从低潮到繁荣

自从 1956 年计算机科学家们在达特茅斯会议（Dartmouth Conferences）上确认人工智能这个术语以来，人们就不乏关于人工智能奇思妙想，研究人员也在不遗余力地研究。在此后的几十年间，人工智能先是被捧为人类文明光明未来的钥匙，后又被当作过于自大的异想天开而抛弃。

但是在过去几年中，人工智能出现了爆炸式的发展，尤其是 2015 年之后。大部分原因，要归功于图形处理器（GPU）的广泛应用，使得并行处理更快、更便宜、更强大。另外，人工智能的发展还得益于几乎无限的存储空间和海量数据的出现（大数据运动）：图像、文本、交易数据、地图数据，应有尽有。

下面我们从发展的历程中来一一展开对人工智能、机器学习和深度学习的深度学习。

人工智能人工智能先驱们在达特茅斯开会时，心中的梦想是希望通过当时新兴的计算机，打造拥有相当于人类智能的复杂机器。这就是我们所说的“通用人工智能”（General AI）概念，拥有人类五感（甚至更多）、推理能力以及人类思维方式的神奇机器。在电影中我们已经看过无数这样的机器人，对人类友好的 C-3PO，以及人类的敌人终结者。通用人工智能机器至今只存在 于电影和科幻小说里，理由很简单：我们还实现不了，至少目前为止。

我们力所能及的，算是“弱人工智能”（Narrow AI）：执行特定任务的水平与人类相当，甚至超越人类的技术。现实中有很多弱人工智能的例子。这些技术有人类智能的一面。但是它们是如何做到的？智能来自哪里？这就涉及到下一个同心圆：机器学习。

机器学习

机器学习是实现人工智能的一种方法。机器学习的概念来自早期的人工智能研究者，已经研究出的算法包括决策树学习、归纳逻辑编程、增强学习和贝叶斯网络等。简单来说，机器学习就是使用算法分析数据，从中学习并做出推断或预测。与传统的使用特定指令集手写软件不同，我们使用大量数据和算法来“训练”机器，由此带来机器学习如何完成任务。

许多年来，计算机视觉一直是机器学习最佳的领用领域之一，尽管还需要大量的手动编码才能完成任务。研究者会手动编写一些分类器（classifier），如边缘检测筛选器，帮助程序辨别物体的边界；图形检测分类器，判断物体是否有八个面；以及识别“S-T-O-P”的分类器。在这些手动编写的分类器的基础上，他们再开发用于理解图像的算法，并学习如何判断是否有停止标志。

但是由于计算机视觉和图像检测技术的滞后，经常容易出错。

深度学习

深度学习是实现机器学习的一种技术。早期机器学习研究者中还开发了一种叫人工神经网络的算法，但是发明之后数十年都默默无闻。神经网络是受人类大脑的启发而来的：神经元之间的相互连接关系。但是，人类大脑中的神经元可以与特定范围内的任意神经元连接，而人工神经网络中数据传播要经历不同的层，传播方向也不同。

举个例子，你可以将一张图片切分为小块，然后输入到神经网络的第一层中。在第一层中做初步计算，然后神经元将数据传至第二层。由第二层神经元执行任务，依次类推，直到最后一层，然后输出最终的结果。

每个神经元都会给其输入指定一个权重：相对于执行的任务该神经元的正确和错误程度。最终的输出由这些权重共同决定。因此，我们再来看看上面提到的停止标志示例。一张停止标志图像的属性，被一一细分，然后被神经元“检查”：形状、颜色、字符、标志大小和是否运动。神经网络的任务是判断这是否是一个停止标志。它将给出一个“概率向量”（probability vector），这其实是基于权重做出的猜测结果。在本文的示例中，系统可能会有 86% 的把握认定图像是一个停止标志，7% 的把握认为是一个限速标志，等等。网络架构然后会告知神经网络其判断是否正确。

不过，问题在于即使是最基础的神经网络也要耗费巨大的计算资源，因此当时不算是一个可行的方法。不过，以多伦多大学 Geoffrey Hinton 教授为首的一小批狂热研究者们坚持采用这种方法，最终让超级计算机能够并行执行该算法，并证明该算法的作用。如果我们回到停止标志那个例子，很有可能神经网络受训练的影响，会经常给出错误的答案。这说明还需要不断的训练。它需要成千上万张图片，甚至数百万张图片来训练，直到神经元输入的权重调整到非常精确，几乎每次都能够给出正确答案。不过值得庆幸的是Facebook 利用神经网络记住了你母亲的面孔；吴恩达 2012 年在谷歌实现了可以识别猫的神经网络。

如今，在某些情况下，通过深度学习训练过的机器在图像识别上表现优于人类，这包括找猫、识别血液中的癌症迹象等。谷歌的 AlphaGo 学会了围棋，并为比赛进行了大量的训练：不断的和自己比赛。

总结

人工智能的根本在于智能，而机器学习则是部署支持人工智能的计算方法。简单的将，人工智能是科学，机器学习是让机器变得更加智能的算法，机器学习在某种程度上成就了人工智能。

本文作者 Michael Copeland 曾是 WIRED 编辑，现在是硅谷知名投资机构 Andreessen Horowitz 的合伙人。

这三个概念比较抽象，现在来用通俗的方式解释一下。
通过一个经典的例子来解释人工智能、机器学习和深度学习之间的区别：比较苹果和橙子。
1、人工智能
从广义上讲，人工智能描述一种机器与周围世界交互的各种方式。通过先进的、像人类一样的智能——软件和硬件结合的结果——一台人工智能机器或设备就可以模仿人类的行为或像人一样执行任务。
2、机器学习
机器学习是人工智能的一种途径或子集，它强调“学习”而不是计算机程序。一台机器使用复杂的算法来分析大量的数据，识别数据中的模式，并做出一个预测——不需要人在机器的软件中编写特定的指令。在错误地将奶油泡芙当成橙子之后，系统的模式识别会随着时间的推移而不断改进，因为它会像人一样从错误中吸取教训并纠正自己。
通过机器学习，一个系统可以从自身的错误中学习来提高它的模式识别能力。
3、深度学习
深度学习是机器学习的一个子集，推动计算机智能取得长足进步。它用大量的数据和计算能力来模拟深度神经网络。从本质上说，这些网络模仿人类大脑的连通性，对数据集进行分类，并发现它们之间的相关性。如果有新学习的知识(无需人工干预)，机器就可以将其见解应用于其他数据集。机器处理的数据越多，它的预测就越准确。
例如，一台深度学习的设备可以检查大数据——比如通过水果的颜色、形状、大小、成熟时间和产地——来准确判断一个苹果是不是青苹果，一个橙子是不是血橙。

　　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

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：
　　
大数据
　　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。

人工智能包含后面两个，可到这边来看看，互联网it学校