一篇讲清楚人工智能、机器学习和深度学习的区别和联络

人工智能的浪潮正在席卷全球，诸多词汇时辰萦绕在我们耳边：人工智能（Artificial Intelligence）、机器学习（Machine Learning）、深度学习（Deep Learning）。不少人对这些高频词汇的含义及其背后的关系总是似懂非懂、一知半解。’

为了协助大家更好地了解人工智能，这篇文章用最简单的言语解释了这些词汇的含义，理清它们之间的关系，希望对刚入门的同行有所协助。



人工智能：从概念提出到走向繁荣

1956年，几个计算机迷信家相聚在达特茅斯会议，提出了“人工智能”的概念，梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧异样本质特性的机器。其后，人工智能就不断萦绕于人们的脑海之中，并在科研实验室中渐渐孵化。之后的几十年，人工智能不断在两极反转，或被称作人类文明耀眼将来的预言，或被当成技术疯子的狂想扔到渣滓堆里。直到2012年之前，这两种声响还在同时存在。

2012年当前，得益于数据量的下跌、运算力的提升和机器学习新算法（深度学习）的出现，人工智能末尾大迸发。据领英近日发布的《全球AI范畴人才报告》显示，截至2017年一季度，基于领英平台的全球AI（人工智能）范畴技术人才数量超过190万，仅国内人工智能人才缺口达到500多万。

人工智能的研讨范畴也在不断扩展，图一展现了人工智能研讨的各个分支，包括专家系统、机器学习、退化计算、模糊逻辑、计算机视觉、自然言语处理、引荐系统等。

图一　人工智能研讨分支

但目前的科研工作都集中在弱人工智能这部分，并很有希望在近期获得严重打破，电影里的人工智能多半都是在描画强者工智能，而这部分在目前的理想世界里难以真正完成（通常将人工智能分为弱人工智能和强者工智能，前者让机用具有观察和感知的才能，可以做到一定程度的了解和推理，而强者工智能让机器获得自顺应才能，处理一些之前没有遇到过的成绩）。

弱人工智能有希望获得打破，是如何完成的，“智能”又从何而来呢？这次要归功于一种完成人工智能的方法——机器学习。

机器学习：一种完成人工智能的方法

机器学习最基本的做法，是运用算法来解析数据、从中学习，然后对真实世界中的事情做出决策和预测。与传统的为处理特定义务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，经过各种算法从数据中学习如何完成义务。

举个简单的例子，当我们阅读网上商城时，常常会出现商品引荐的信息。这是商城根据你往期的购物记录和冗长的收藏清单，辨认出这其中哪些是你真正感兴味，并且情愿购买的产品。这样的决策模型，可以协助商城为客户提供建议并鼓励产品消费。

机器学习直接来源于早期的人工智能范畴，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法下去分，机器学习算法可以分为监督学习（如分类成绩）、无监督学习（如聚类成绩）、半监督学习、集成学习、深度学习和强化学习。

传统的机器学习算法在指纹辨认、基于Haar的人脸检测、基于HoG特征的物体检测等范畴的运用基本达到了商业化的要求或者特定场景的商业化程度，但每行进一步都异常艰难，直到深度学习算法的出现。

深度学习：一种完成机器学习的技术

深度学习本来并不是一种独立的学习方法，其本身也会用到有监督和无监督的学习方法来训练深度神经网络。但由于近几年该范畴发展迅猛，一些特有的学习手腕相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。

最后的深度学习是应用深度神经网络来处理特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念，可大致了解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的衔接方法和激活函数等方面做出相应的调整。其实有不少想法早年间也曾有过，但由于当时训练数据量不足、计算才能落后，因此最终的效果不尽善尽美。

深度学习摧枯拉朽般地完成了各种义务，使得似乎一切的机器辅助功能都变为能够。无人驾驶汽车，预防性医疗保健，甚至是更好的电影引荐，都近在眼前，或者即将完成。其缘由与以下要素毫不相关：

首先，深度卷积神经网络需求大量数据停止训练。网络深度太浅的话，辨认才能往往不如普通的浅层模型，比如SVM或者boosting；假如做得很深，就需求大量数据停止训练，否则机器学习中的过拟合将不可避免。而2006年末尾，正好是互联网末尾大量产生各种各样的图片数据的时分，即视觉大数据末尾迸发式地增长。

其次，是运算才能。卷积神经网络对计算机的运算要求比较高，需求大量反复可并行化的计算，在当时CPU只要单核且运算才能比较低的状况下，不能够停止很深的卷积神经网络的训练。随着GPU计算才能的增长，卷积神经网络结合大数据的训练才成为能够。

最后，就是人和。卷积神经网络有一批不断在坚持的迷信家（如Lecun）才没有被沉默，才没有被海量的浅层方法淹没。最后终于看到卷积神经网络占领主流的曙光。

有一点需求特别提示的是，或许，深度学习更值得我们自创的是“深度”这一思想，但它能否等同于深度神经网络，学者们的意见并非分歧。比如，南京大学的周志华（西瓜书作者）提出了gcForest（多粒度级联森林），在接受采访时，周志华教师以为，处理复杂成绩把模型变深能够是有必要的，但是深度学习应该不只是深度神经网络，还可以有其他方式，与神经网络相比，其他方式也许有更好的性质。这段话或许会给我们深入的警示。

三者的区别和联络

机器学习是一种完成人工智能的方法，深度学习是一种完成机器学习的技术。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。
图二　三者关系表示图

当下的人工智能时代，机器学习的重要性不言而喻，为此，中科院自动化所科研一线青年教师，推出《机器学习：从实际到实际》、《深度学习：从实际到实际》两门在线直播课程。课程体系设置充分结合实际与实际，PPT以及代码均会提供给学员，并为学员搭建跟教师微信群即时交流的平台。

机器学习课程内容

1. 数学基础（PPT材料）

1.1 矩阵论、概率论、优化基础知识

2. 机器学习算法：从实际到实际（20学时）

2.1 机器学习概述

2.1.1 机器学习方法分类

2.1.2 基础知识引见

2.2 KNN算法

2.2.1 概述与实际详解

2.2.2 K近邻运用案例及代码完成

2.1 机器学习概述

2.1.1 机器学习方法分类

2.1.2 基础知识引见

2.2 KNN算法

2.2.1 概述与实际详解

2.2.2 K近邻运用案例及代码完成

2.3 贝叶斯分类

2.3.1 朴素贝叶斯

2.3.2 贝叶斯决策论

2.3.3 NB分类算法运用案例及代码完成

2.4 回归与分类

2.4.1 曲线拟合

2.4.2 线性回归

2.4.3 logistic回归

2.4.4 相关运用案例及代码完成

2.5 支持向量机

2.5.1 线性支持向量机

2.5.2 非线性支持向量机

2.5.3 核方法

2.5.4 SVM运用案例及代码完成

2.6 聚类算法

2.6.1 K均值聚类

2.6.2 层次聚类

2.6.3 聚类算法运用案例及代码完成

2.7 数据降维

2.7.1 线性降维

2.7.2 非线性降维

2.7.3 降维运用案例及代码完成

2.8 EM算法

2.8.1 EM算法基础

2.8.2 多高斯参数估计

2.8.3 EM运用案例及代码完成

2.9 Adaboost算法

2.9.1 独立于算法的机器学习

2.9.2 Adaboost算法

2.9.3 运用案例及代码完成

2.10 隐马尔科夫模型

2.10.1 马尔科夫

2.10.2 隐马尔科夫模型

2.10.3 运用案例及代码完成

深度学习课程内容

1. 数学基础（PPT材料）

1.1 贝叶斯决策实际、参数与非参数估计

1.2 回归与分类

1.3 梯度下降优化

1.4 信息熵
2. 深度学习实际（6学时）

2.1 前馈神经网络（概述、单层神经网络、多层神经网络）

2.2 卷积神经网络（基本概念、发展历程、网络特点、网络设置、网络训练以及相关运用）

2.3 反馈神经网络（Hopfield网络、玻尔兹曼机、受限玻尔兹曼机）
3. 深度网络常见模型与Keras实战（8学时）

3.1 Keras与残差网络（从LSTM到Highway网络、从Highway网络到残差网络、基于Highway网络的运用）

3.2 自动编码机AE及生成对抗网络GAN（AE的来源与变种、生成对抗网络GAN、基于GAN网络的运用）

3.3 基于Keras的行为辨认（行为辨认成绩简介、基于深度学习的行为辨认常用模型引见、基于Keras的行为辨认实际）

3.4 基于Keras的场景分割（场景分割成绩简介、基于深度学习的场景分割常用模型引见、基于Keras的场景分割实际）
4. 深度学习框架（4学时）

4.1 Caffe入门（简介、安装和配置、优点与局限性分析、深化Caffe源码、Caffe调试）

4.2 Caffe提高（基于Caffe的MINST手写辨认、Caffe的Python接口、Caffe修正与添加Layer、网络训练技巧）

最后想要AI人工智能教程的冤家可以关注+分享本文+私信小编（学习）即可获得一下教程！

锄禾日当午，发帖真辛苦。谁知坛中餐，帖帖皆辛苦！

话不多说，【抱拳了，老铁】。