人工智能、机器学习和深度学习的区别 ?

如今，连广场舞大妈都能跟你聊上几句人工智能，作为时代的弄潮儿，我们每个人都应该对火爆流行的技术名词有一些基本的认知和了解。

人工智能、机器学习和深度学习这些术语很容易产生混淆，所以让我们从一些简短的定义开始。

下面这张图片能够很好的说明这三者之间的关系

关系图

上面给出的定义确实有些言简意赅。那接下来让我们了解更多的知识。

1.究竟什么是人工智能?

人工智能作为一门学科成立于1956年。当时的目标和现在一样，让计算机执行人类所独有的任务：即需要智力解决的任务，而不是简单的计算和重复。

通俗一点说，人工智能是在模仿人类大脑的思维，判断。

如果你玩过人机版的五子棋，你会发现这背后隐藏着某种形式的“人工智能”，尤其是当电脑打败你的时候。早期的实验性成功使第一批研究人员对人工智能的可能性产生了很大的热情。

因此，人工智能指的是计算机的某种输出形式，例如将人工智能技术应用到围棋领域的 AlphaGo 。这背后是通过强大的算力和数据去分析和学习，达到决策的目的，甚至富有人类才有的情感。

但单独人工智能这个词并没有说清楚，智能究竟是如何实现出来的，这背后有很多不同的技术做支持。

有一类技术在20世纪80年代开始被广泛使用：机器学习。

早期研究人员发现，在解决某些问题时，现有技术根本不适合用于AI的早期技术。

传统的算法或硬件编码算法是针对固定一类问题而研发，是有规律可循的，但在图像识别或从一段文本中提取有语意语境的抽象领域效果不佳。

事实证明，解决方案不仅模仿人类的行为（也就是上面提到的输出形式），而且要模仿人类的学习方式。

想想你是如何学会阅读的。在拿起你的第一本书之前，你没有非常详细的学习词组和语法。从最开始的童话故事书，到富有哲学思辨的书。你实际上从阅读中学习了很多新的成语、词组和语法的规则。换句话说，你处理了大量的数据并从中学习。

这正是机器学习的理念。给程序算法输入大量的数据，让它自己寻找答案。向算法输入大量金融交易数据，告诉它哪些是欺诈行为，并让它从样本数据中找出哪些是欺诈行为，以便预测未来可能的欺诈行为。

随着这些算法的发展，它们可以解决很多问题。但有些人类觉得容易的事情(比如手势或12306的验证码)对机器来说仍然很难。然而，如果机器学习是为了模仿人类的学习方式，为什么不去尝试完全模仿人类的大脑呢?这就是神经网络背后的想法。

但机器学习仍然被困在许多小学生们都能轻松解决的问题上：这张照片里有多少只狗，还是说他们是一群狼？

事实证明，问题不在于机器学习的概念。只是简单的神经网络有 100 甚至 1000 个神经元，以一种相对简单的方式连接，无法复制人脑的功能。人类大脑有大约860亿个神经元和非常复杂的连接方式。

简而言之，深度学习就是使用更多的类神经元、层次和相互连接的神经网络，我们离模拟人类大脑的复杂性还有很长的路要走，但我们正在朝着这个方向前进。

从自动驾驶汽车到玩围棋的 AlphaGo 再到语音识别等计算机领域的进步时，你会发现这其实是一种深层次的学习。你体验到了某种形式的人工智能。在幕后，人工智能是由某种形式的深度学习驱动的。

让我们来看几个问题，看看深度学习与简单的神经网络或其他形式的机器学习有什么不同。

深度学习的原理

如果我给你马的图像，你马上会认出它们是马，不管马是躺在草原上，还是何种颜色的，你能认出马是因为你知道定义马的各种要素:它的口鼻形状，腿的数目和位置等等。

深度学习可以做到这一点，它对很多行业都很重要，包括自动驾驶汽车，在汽车决定它的下一步行动之前，它需要知道它周围是什么，它必须能够识别人、自行车、其他车辆、路标等等，并在具有挑战性的视觉环境中这样做。标准的机器学习技术不能做到这一点。

较为人们熟知的是自然语言处理，被用于聊天机器人和智能手机语音助手。

希望本文开头的简短定义能有更多地认知和了解。人工智能指的是在某种程度上显示出类似人类智能的设备。人工智能有许多技术，但其中一个子集是机器学习——让算法从数据中学习。最后，深度学习是机器学习的一个子集，使用多层神经网络来解决最困难的计算机问题。