最近在梳理機器學(xué)習(xí)相關(guān)的知識點,，發(fā)現(xiàn)有些概念需要先搞明白，理解透徹了后面的工作才好繼續(xù),，在此本文對這3個概念的含義做個解釋,，梳理一下它們之間的關(guān)系，供大家參考,。

人工智能（Artificial Intelligence）

參考百度百科的定義,，人工智能（Artificial Intelligence），英文縮寫為AI,。它是研究,、開發(fā)用于模擬、延伸和擴展人的智能的理論,、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué),。

這里有2個要點：

1）人工智能 是 一門技術(shù)科學(xué);

2）人工智能 研究與開發(fā)的對象是 理論,、技術(shù)及應(yīng)用系統(tǒng)，研究的目的是為了 模擬,、延伸和擴展人的智能,。

人工智能是計算機科學(xué)的一個分支，它企圖了解智能的實質(zhì),，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機器,，該領(lǐng)域的研究包括機器人、機器學(xué)習(xí),，語言識別,、計算機視覺，自然語言處理,，推薦系統(tǒng)和專家系統(tǒng)等,。機器學(xué)習(xí)只是人工智能的研究方向之一。

強人工智能和弱人工智能

強人工智能 指讓機器獲得自適應(yīng)能力,，解決一些之前沒有遇到過的問題，電影里的人工智能多半都是在描繪強人工智能,，這種要求比較高,，在目前的現(xiàn)實世界里完全真正實現(xiàn)強人工智能難度很大。

弱人工智能 指讓機器具備觀察和感知的能力,，可以做到一定程度的理解和推理,，目前我們科研工作都集中在弱人工智能這部分。

弱人工智能有希望取得突破，這主要歸功于一種實現(xiàn)人工智能的方法——機器學(xué)習(xí),。

機器學(xué)習(xí)（Machine Learning）

機器學(xué)習(xí)是讓計算機能夠自動地從某些數(shù)據(jù)中總結(jié)出規(guī)律,，并得出某種預(yù)測模型，進而利用該模型對未知數(shù)據(jù)進行預(yù)測的方法,。它是一種實現(xiàn)人工智能的方式,，是一門交叉學(xué)科，綜合了統(tǒng)計學(xué),、概率論,、逼近論、凸分析,、計算復(fù)雜性理論等,。它是人工智能核心，是使計算機具有智能的根本途徑,。簡單地來說,，機器學(xué)習(xí)就是使用算法分析數(shù)據(jù)（需要我們自己找特征值），從中學(xué)習(xí)并做出推斷或預(yù)測的一項技術(shù),。與傳統(tǒng)的使用特定 指令集手寫軟件不同,，我們使用大量數(shù)據(jù)和算法來訓(xùn)練機器，讓機器學(xué)會如何執(zhí)行任務(wù),。

這里有3個要點：

1）機器學(xué)習(xí) 是利用算法+數(shù)據(jù)來實現(xiàn) 對世界中發(fā)生的事做出判斷和預(yù)測,；

2）機器學(xué)習(xí) 是 模擬、延伸和擴展人的智能的一條路徑,，所以是人工智能的一個子集,；

3）機器學(xué)習(xí)是要基于大量數(shù)據(jù)的，也就是說它的智能是用大量數(shù)據(jù)訓(xùn)練出來的,。

機器學(xué)習(xí)除了數(shù)據(jù) 還需要一些處理數(shù)據(jù)的算法(模型)來支持,，常用的算法(模型) 包括9種，神經(jīng)網(wǎng)絡(luò)(深度學(xué)習(xí))就是其中的一種,，參考下圖,，

深度學(xué)習(xí)（Deep Learning）

深度學(xué)習(xí)是用于建立,、模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò),，并模仿人腦的機制來解釋數(shù)據(jù)的一種機器學(xué)習(xí)技術(shù)。它的基本特點,，是試圖模仿大腦的神經(jīng)元之間傳遞,，處理信息的模式。最典型的的應(yīng)用有計算機視覺和自然語言處理(NLP),。顯然,，深度學(xué)習(xí)是與機器學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)是強相關(guān),，神經(jīng)網(wǎng)絡(luò)也是其主要的算法和手段，我們可以將深度學(xué)習(xí)稱之為改良版的神經(jīng)網(wǎng)絡(luò)算法,。

深度學(xué)習(xí)就具體研究內(nèi)容而言,，主要涉及三類

(1)基于卷積運算的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，即卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks,，簡稱CNN),；

(2)基于多層神經(jīng)元的自編碼神經(jīng)網(wǎng)絡(luò)，包括自編碼( Auto encoder)以及近年來受到廣泛關(guān)注的稀疏編碼兩類( Sparse Coding),；

(3)以多層自編碼神經(jīng)網(wǎng)絡(luò)的方式進行預(yù)訓(xùn)練,，進而結(jié)合鑒別信息進一步優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值的深度置信網(wǎng)絡(luò)(Deep Belief Nets，簡稱DBN),。

其主要的思想就是模擬人的神經(jīng)元,，每個神經(jīng)元接受到信息，處理完后傳遞給與之相鄰的所有神經(jīng)元即可,。所以看起來的處理方式有點像下圖,。

神經(jīng)網(wǎng)絡(luò)的計算量非常大,，事實上在很長時間里由于基礎(chǔ)設(shè)施技術(shù)的限制進展并不大,。而GPU的出現(xiàn)讓人看到了曙光，也造就了深度學(xué)習(xí)的蓬勃發(fā)展,，深度學(xué)習(xí)才一下子火熱起來。擊敗李世石的Alpha go即是深度學(xué)習(xí)的一個很好的示例,。Google的TensorFlow是開源深度學(xué)習(xí)系統(tǒng)一個比較好的實現(xiàn),，支持CNN、RNN和LSTM算法,，是目前在圖像識別,、自然語言處理方面最流行的深度神經(jīng)網(wǎng)絡(luò)模型。

機器學(xué)習(xí)與深度學(xué)習(xí)的區(qū)別

1） 機器學(xué)習(xí)是實現(xiàn)人工智能的一種方法

簡單來說,，機器學(xué)習(xí)就是使用算法分析數(shù)據(jù) （需要我們自己找特征值）,，從中學(xué)習(xí)并做出推斷或預(yù)測。與傳統(tǒng)的使用特定 指令集手寫軟件不同,，我們使用大量數(shù)據(jù)和算法來訓(xùn)練機器,，由此帶來機器學(xué) 習(xí)如何完成任務(wù)。

2） 深度學(xué)習(xí)是一種特殊的機器學(xué)習(xí)

深度與機器最大區(qū)別是機器學(xué)習(xí)需要 人工尋找給定特征值,，深度學(xué)習(xí)是不用的,，機器會自己分析特征值。

三者的區(qū)別和聯(lián)系

機器學(xué)習(xí)是一種實現(xiàn)人工智能的方法,，深度學(xué)習(xí)是一種實現(xiàn)機器學(xué)習(xí)的技術(shù),。下圖形象地展現(xiàn)出它們?nèi)叩年P(guān)系

總結(jié)：

1）人工智能是一門技術(shù)科學(xué)，主要目標(biāo)是使機器能夠勝任一些通常需要人類智能才能完成的復(fù)雜工作

2）機器學(xué)習(xí)是一種實現(xiàn)人工智能的方法,，是人工智能的研究領(lǐng)域之一

3）深度學(xué)習(xí)是一種實現(xiàn)機器學(xué)習(xí)的技術(shù),，需要大量的數(shù)據(jù)來訓(xùn)練才能獲得理想的結(jié)果，需要更高的運算能力支撐(如GPU)

通過本文的講解,，AI和機器視覺以及深度學(xué)習(xí)的概念和關(guān)系應(yīng)該能理清楚了,，如果還有疑問，歡迎留言討論,，感謝閱讀~