人工智能、机器学习、深度学习的关系

image.png

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。

人工智能（AI:Artificial Intelligence）

分为两类，一般和狭义。

一般人工智能具有人类智能的所有特征。

狭义的人工智能展示了人类智慧的一些方面，并且可以做得非常好，但在其他方面缺乏。一台擅长识别图像的机器，但没有别的东西，就是狭义AI的一个例子。

机器学习（ML: Machine Learning）

一种实现人工智能的方法。

机器学习不是手动编码具有特定指令的软件例程来完成特定任务，而是一种“训练”算法的方式，以便它可以学习如何。“训练”涉及向算法提供大量数据并允许算法自我调整和改进。

举一个例子，机器学习已经被用来大大改进计算机识别图像或视频中的对象的能力。你收集了数十万甚至数百万张图片，然后让人类标记它们。例如，人类可能会标记其中包含猫的图片与不包含猫的图片。然后，该算法尝试构建一个模型，该模型可以准确地将图片标记为包含猫或不包含人类。一旦准确度达到足够高，机器现在就“学会”了猫的样子。

深度学习（DL:Deep Learning）

一种实现机器学习的技术。

深度学习是机器学习的一种，其他方法包括决策树、聚类、贝叶斯分类、EM、Adaboost等。深度学习是最近基于大数据和计算能力的提升（GPU的使用、云计算，并行处理）才得到了广泛的运用。只不过随着一些特有的学习手段的提出（如残差网络、GAN网络、CNN、LSTM长期短期记忆），开始被单独视为一种学习方法。深度学习的灵感来自大脑的结构和功能，即许多神经元的互连。

深度之所以称之为深度，主要就是需要训练神经网络（使用有监督或者无监督的学习方法），而且层数越来越高。而在深度学习之前的机器学习，对比之下就是浅层学习，这种早期的机器学习甚至都没有使用神经网络，因为简单的SVM就可以达到相同的效果。从学习方法上看，机器学习又可分为监督学习、无监督学习、半监督学习、集成学习、深度学习和强化学习。所以我们看到正如之前讲到的，深度学习是机器学习的一种。并且几种学习方法之间是相互渗透的，深度学习也会用监督或者无监督的学习方法来训练神经网络。

传统机器学习和深度学习的一个很重要的区别就是“特征工程”。传统机器学习的模型因为比较简单，容易造成欠拟合，即不能较好地表征输入的信息，如模型是线性关系，则不能表征二次曲线。所以传统机器学习需要我们人为地找到输入信息的特征，即特征提取，比如一些滤波器，找到输入图像的边缘，角点等。

神经网络（Neural Networdk）

最初是一个生物学的概念，一般是指大脑神经元，触点，细胞等组成的网络，用于产生意识，帮助生物思考和行动，后来人工智能受神经网络的启发，发展出了人工神经网络。

image.png

人工神经网络（ANN: Artificial Neural Networks）是模拟大脑生物结构的算法。在人工神经网络中，存在“神经元”，其具有离散层和与其他“神经元”的连接。每个图层都会选择要学习的特定要素，例如图像识别中的曲线/边缘。正是这种分层深度决定了它的名称，深度是通过使用多个层而不是单个层来创建的。

划重点：

• 深度学习（Deep Learning）是机器学习（Machine Learning）的一种实现方式
• 机器学习和深度学习属于人工智能（Artificial Intelligence）的子集
• 人工神经网络（Artificial Neural Network）是驱动机器学习和深度学习的主要算法。

上一篇	JAVAEE与人工智能目录	下一篇