人工智能、机器学习、深度学习三者关系分析

对于很多初入学习人工智能的学习者来说，对人工智能、机器学习、深度学习的概念和区别还不是很了解，有可能你每天都能听到这个概念，也经常提这个概念，但是你真的懂它们之间的关系吗？那么接下来就给大家从概念和特点上进行阐述。先看下三者的关系。

人工智能包括了机器学习，机器学习包括了深度学习，他们是子类和父类的关系。

下面这张图则更加细分。

人工智能（ArTIficial Intelligence），英文缩写为AI。是计算机科学的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。也被认为是二十一世纪三大尖端技术（基因工程、纳米科学、人工智能）之一。1956年夏季，以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具。

人工智能实际应用：机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。涉及到哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论等学科。研究范畴包括自然语言处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法等。人工智能目前也分为：强人工智能（BOTTOM-UP AI）和弱人工智能（TOP-DOWN AI），有兴趣大家可以自行查看下区别。

机器学习（Machine Learning， ML），是人工智能的核心，属于人工智能的一个分支，是一个大的领域，是让计算机拥有像人一样的学习能力，模拟和实现人的学习行为和能力，可以像人一样具有识别和判断的能力，可以看作是仿生学。机器学习的核心就是数据，算法（模型），算力（计算机运算能力）。以前也有人工智能，机器学习。不过最近几年网络发展和大数据的积累，使得人工智能能够在数据和高运算能力下发挥它的作用。机器学习应用领域十分广泛，例如：数据挖掘、数据分类、计算机视觉、自然语言处理（NLP）、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用等。

李飞飞说，机器是又快又准确，但是人类聪明呀！机器学习其实是在总结数据，预测未知。它具有高速的计算能力，我们可以通过不断的学习用它来识别各种植物、动物等，并提高准确率。

机器学习就是设计一个算法模型来处理数据，输出我们想要的结果，我们可以针对算法模型进行不断的调优，形成更准确的数据处理能力。但这种学习不会让机器产生意识。

机器学习的工作方式

1. 选择数据：将你的数据分成三组：训练数据、验证数据和测试数据。

2. 模型数据：使用训练数据来构建使用相关特征的模型。

3. 验证模型：使用你的验证数据接入你的模型。

4. 测试模型：使用你的测试数据检查被验证的模型的表现。

5. 使用模型：使用完全训练好的模型在新数据上做预测。

6. 调优模型：使用更多数据、不同的特征或调整过的参数来提升算法的性能表现。

基于学习策略的分类

1. 机械学习 （Rote learning）

2. 示教学习 （Learning from instrucTIon或Learning by being told）

3. 演绎学习 （Learning by deducTIon）

4. 类比学习 （Learning by analogy）

5. 基于解释的学习 （ExplanaTIon-based learning， EBL）

6. 归纳学习 （Learning from induction）

基于所获取知识的表示形式分类

1. 代数表达式参数

2. 决策树

3.形式文法

4.产生式规则

5. 形式逻辑表达式

6. 图和网络

7. 框架和模式（schema）

8. 计算机程序和其它的过程编码

9. 神经网络

10. 多种表示形式的组合

综合分类

1. 经验性归纳学习 （empirical inductive learning）

2. 分析学习（analytic learning）

3. 类比学习

4. 遗传算法（genetic algorithm）

5. 联接学习

6. 增强学习（reinforcement learning）

学习形式分类

1. 监督学习（supervised learning）

2. 非监督学习（unsupervised learning）

注：细分的话还有半监督学习和强化学习。当然，后面的深度学习也有监督学习、半监督学习和非监督学习的区分。