ai与人工智能 人工智能、机器学习和深度学习有哪些区别？

很多人可能不明白『机器学习』、『AI（人工智能）』和『深度学习』之间的区别。这些都是现代数据技术应用中的重要关键字，但由于它们很相似，因此极易混淆。但是为了将 AI 引入日常工作中，正确理解这三个关键字的范围很重要。

人工智能、机器学习和深度学习已成为当今商业世界中最受关注的技术，因为公司正在使用这些创新来构建智能机器和应用程序。尽管这些术语在全世界的商业对话中占主导地位，但许多人很难区分它们。

在进入技术细节之前，让我们看看技术影响者、行业人士和作者对这三个概念有什么看法。

人工智能是创造智能智能机器的概念。

机器学习是人工智能的一个子集，可帮助您构建人工智能驱动的应用程序。

深度学习是机器学习的一个子集，使用大量数据和复杂的算法来训练模型。

机器学习是什么

机器学习是基于计算机学习大量数据并基于算法分析信息的方法。通过样本发现数据规律，主要应用于识别（分类）和数据预测（回归&分类）。通过统计学中的算法分析学习的结果构建机器学习模型，完成输出数据返回的结果输出机制。分析的准确程度依照不同的模型分成不同的评估方法，比如AUC、AOC、MSE等等，虽然达不到100%的完美程度，但是可以通过不断的优化基础数据和模型进行充分的提高。

根据要处理的数据类型和机器学习的目的，有各种机器学习算法，但它们可以大致分为三类：『有监督学习』、『无监督学习』和『强化学习』。

有监督学习

意味着当给出学习数据时，需要指定数据的结果（即正确答案）。机器学习模型学习诸如『当给定这样的数据时，结果看起来像这样』的关系。通过足够的训练能够准确预测给定没有正确答案的数据时的结果。因此用于预测场景和目标识别对象。

一个监督学习方法的例子。该算法使用狗和猫的标记数据进行训练。训练后的模型预测新图像是猫还是狗。

监督学习的一些例子包括线性回归、逻辑回归、支持向量机、朴素贝叶斯和决策树。

无监督学习

在不给出正确答案数据的情况下学习数据之间的异同。由于没有正确的答案，模型无法知道给定的数据的结果是什么。因此将学习数据之间的关系，例如『这个数据和这个数据非常相似。这个数据与其他数据有不同的特征』。当想要检测异常或对数据进行分类时，通常会使用无监督学习。

一个使用未标记数据训练模型的无监督学习方法示例。在这种情况下，数据由不同的车辆组成。该模型的目的是对每种车辆进行分类。

无监督学习的一些示例包括 k 均值聚类、层次聚类和异常检测。

强化学习

与监督学习略有不同，将学习如何根据目的获得最佳结果。具体来说机器学习模型是反复学习 『采取某种行动时得到了什么样的结果』 。在学习的时候，如果采取的行动导致了好的结果则给出正分，如果导致不好的结果则给出负分，并且机器学习模型创建了通过试验和最大化分数的行动模式各种动作的误差。我会推导出来的。强化学习用于围棋游戏、自动驾驶和机器人控制的人工智能。

一个示例展示了如何训练机器识别形状。

强化学习算法的示例包括 Q 学习和深度 Q 学习神经网络。

这样三种学习方法各自处理的数据和目的是不同的，因此需要根据应用场景来使用它们。

AI（人工智能）是什么

AI 是人工智能的缩写，是自 1950 年代以来一直在研究的计算机科学之一。通过结合算法和数据，人为的表述为再现人类的认知和推理等动作。在现代 AI 这个词的范围非常广泛，机器学习和深度学习也被视为实现AI的方法之一。换句话说机器学习作为一个领域包含在广泛的人工智能中。

AI 可分为 『专用人工智能』和『通用人工智能』。

『专用人工智能』也称为狭义人工智能，是专门从事一项任务的AI（人工智能），典型例子包括图像识别、语音识别、自动驾驶技术等，可以理解成没有思想和意识的 AI。是可以很好地执行非常具体的任务的机器，通常比人类执行的效果更好。然而这些机器的能力非常有限，只能在非常有限的环境中运行。

『通用人工智能』是一种执行多项任务的人工智能，可以根据给定的信息自己思考和应用，比如我们小时候都知道的哆啦A梦，与人类具有相同思想和意识的AI。可以被认为非常像人类执行复杂的任务。这些机器可以在没有人工干预的情况下解决问题并将智能应用于任何事情，并且更接近于我们在《星际迷航》等电影中看到的那些。

深度学习是什么

深度学习是机器学习中的一种学习方法。不同于其他机器学习方法，因为它使用一种称为『神经网络』的技术进行学习。

神经网络具有不同的『神经元』层（『输入层』、『输出层』和『隐藏层』），用于输入数据、对其加权并返回输出。通过堆叠『层』组成的。

在机器学习方法中，用算法处理数据需要将数据的特征、重点关注的部分等信息组织起来，交给机器学习模型。然而在深度学习中，随着数据在每一层中被处理，如何处理数据的特征是确定的。因此对于视频、图像、音频等难以组织的问题可以达到比其他方法更高的精度。

因此有很多领域利用图像识别、语音识别、自然语言处理等深度学习取得了划时代的进步，设计了自动驾驶、机器翻译、人工智能助手等先进的人工智能技术。

深度学习几个重要的网络

卷积神经网络 (CNN) - CNN 是一类最常用于图像分析的深度神经网络。

循环神经网络 (RNN) - RNN 使用顺序信息来构建模型。它通常更适用于必须记住过去数据的模型。

生成对抗网络 (GAN) - GAN 是一种算法架构，它使用两个神经网络来创建新的合成数据实例，以传递真实数据。受过照片训练的 GAN 可以生成新照片，这些照片在人类观察者看来至少表面上是真实的。

深度信念网络 (DBN) - DBN 是一种生成图形模型，由称为隐藏单元的多层潜在变量组成。

三者之间的关系

机器学习、AI、深度学习的属性是一样的，只是占据的范围不同。

人工智能的范围最广，是指使用机器再现人类智能的所有技术。机器学习属于人工智能的范畴，是实现人工智能的技术之一。此外深度学习是这种机器学习的学习方法之一。

此外机器学习和深度学习之间存在技术差异。两者都分析检索数据中的哪些元素会影响结果。在机器学习中，人类对此进行判断和调整，但在深度学习中机器会自动进行结果的计算判断。

无论应用机器学习、AI、还是深度学习都需要从数据分析下手，整理我们需要的原始数据。

机器学习和深度学习的区别

深度学习是机器学习方法之一。只要有足够的训练数据，就可以利用神经网络自动提取数据的特征。

深度学习使学习以前难以数字化的非结构化数据（图像、自然语言、声音）成为可能。

此外数字化变化的增加使得生成自然语言和检测异常成为可能，提高了优化和推荐的准确性。

END