人工智能、機器學習、深度學習三者關系分析

對于很多初入學習人工智能的學習者來說，對人工智能、機器學習、深度學習的概念和區(qū)別還不是很了解，有可能你每天都能聽到這個概念，也經常提這個概念，但是你真的懂它們之間的關系嗎？那么接下來就給大家從概念和特點上進行闡述。先看下三者的關系。

人工智能包括了機器學習，機器學習包括了深度學習，他們是子類和父類的關系。

下面這張圖則更加細分。

人工智能（ArTIficial Intelligence），英文縮寫為AI。是計算機科學的一個分支，二十世紀七十年代以來被稱為世界三大尖端技術之一（空間技術、能源技術、人工智能）。也被認為是二十一世紀三大尖端技術（基因工程、納米科學、人工智能）之一。1956年夏季，以麥卡賽、明斯基、羅切斯特和申農等為首的一批有遠見卓識的年輕科學家在一起聚會，共同研究和探討用機器模擬智能的一系列有關問題，并首次提出了“人工智能”這一術語，它標志著“人工智能”這門新興學科的正式誕生。人工智能是對人的意識、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過人的智能。數(shù)學常被認為是多種學科的基礎科學，數(shù)學也進入語言、思維領域，人工智能學科也必須借用數(shù)學工具。

人工智能實際應用：機器視覺，指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統(tǒng)，自動規(guī)劃，智能搜索，定理證明，博弈，自動程序設計，智能控制，機器人學，語言和圖像理解，遺傳編程等。涉及到哲學和認知科學，數(shù)學，神經生理學，心理學，計算機科學，信息論，控制論，不定性論等學科。研究范疇包括自然語言處理，知識表現(xiàn)，智能搜索，推理，規(guī)劃，機器學習，知識獲取，組合調度問題，感知問題，模式識別，邏輯程序設計軟計算，不精確和不確定的管理，人工生命，神經網絡，復雜系統(tǒng)，遺傳算法等。人工智能目前也分為：強人工智能（BOTTOM-UP AI）和弱人工智能（TOP-DOWN AI），有興趣大家可以自行查看下區(qū)別。

機器學習（Machine Learning， ML），是人工智能的核心，屬于人工智能的一個分支，是一個大的領域，是讓計算機擁有像人一樣的學習能力，模擬和實現(xiàn)人的學習行為和能力，可以像人一樣具有識別和判斷的能力，可以看作是仿生學。機器學習的核心就是數(shù)據(jù)，算法（模型），算力（計算機運算能力）。以前也有人工智能，機器學習。不過最近幾年網絡發(fā)展和大數(shù)據(jù)的積累，使得人工智能能夠在數(shù)據(jù)和高運算能力下發(fā)揮它的作用。機器學習應用領域十分廣泛，例如：數(shù)據(jù)挖掘、數(shù)據(jù)分類、計算機視覺、自然語言處理（NLP）、生物特征識別、搜索引擎、醫(yī)學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰(zhàn)略游戲和機器人運用等。

李飛飛說，機器是又快又準確，但是人類聰明呀！機器學習其實是在總結數(shù)據(jù)，預測未知。它具有高速的計算能力，我們可以通過不斷的學習用它來識別各種植物、動物等，并提高準確率。

機器學習就是設計一個算法模型來處理數(shù)據(jù)，輸出我們想要的結果，我們可以針對算法模型進行不斷的調優(yōu)，形成更準確的數(shù)據(jù)處理能力。但這種學習不會讓機器產生意識。

機器學習的工作方式

1. 選擇數(shù)據(jù)：將你的數(shù)據(jù)分成三組：訓練數(shù)據(jù)、驗證數(shù)據(jù)和測試數(shù)據(jù)。

2. 模型數(shù)據(jù)：使用訓練數(shù)據(jù)來構建使用相關特征的模型。

3. 驗證模型：使用你的驗證數(shù)據(jù)接入你的模型。

4. 測試模型：使用你的測試數(shù)據(jù)檢查被驗證的模型的表現(xiàn)。

5. 使用模型：使用完全訓練好的模型在新數(shù)據(jù)上做預測。

6. 調優(yōu)模型：使用更多數(shù)據(jù)、不同的特征或調整過的參數(shù)來提升算法的性能表現(xiàn)。

基于學習策略的分類

1. 機械學習 （Rote learning）

2. 示教學習 （Learning from instrucTIon或Learning by being told）

3. 演繹學習 （Learning by deducTIon）

4. 類比學習 （Learning by analogy）

5. 基于解釋的學習 （ExplanaTIon-based learning， EBL）

6. 歸納學習 （Learning from induction）

基于所獲取知識的表示形式分類

1. 代數(shù)表達式參數(shù)

2. 決策樹

3.形式文法

4.產生式規(guī)則

5. 形式邏輯表達式

6. 圖和網絡

7. 框架和模式（schema）

8. 計算機程序和其它的過程編碼

9. 神經網絡

10. 多種表示形式的組合

綜合分類

1. 經驗性歸納學習 （empirical inductive learning）

2. 分析學習（analytic learning）

3. 類比學習

4. 遺傳算法（genetic algorithm）

5. 聯(lián)接學習

6. 增強學習（reinforcement learning）

學習形式分類

1. 監(jiān)督學習（supervised learning）

2. 非監(jiān)督學習（unsupervised learning）

注：細分的話還有半監(jiān)督學習和強化學習。當然，后面的深度學習也有監(jiān)督學習、半監(jiān)督學習和非監(jiān)督學習的區(qū)分。