一文读懂人工智能、机器学习与深度学习的区别

先说结论：人工智能包括机器学习，机器学习包括深度学习。

什么是人工智能？

人工智能英文是artificial intelligence，简称AI，是利用计算机和机器来模仿人类思维解决问题和决策的能力。

人工智能的类型——弱人工智能与强人工智能

弱人工智能——也称为狭义人工智能或狭义人工智能 (ANI)——是经过人工智能训练并专注于执行特定任务的。弱人工智能驱动了当今我们周围的大部分人工智能。对于这种类型的 AI，“狭义”可能是更准确的描述，因为它一点也不弱；它支持一些非常强大的应用程序，例如 Apple 的 Siri、Amazon 的 Alexa、IBM Watson 自动驾驶汽车。

强人工智能由人工通用智能（AGI）和人工超级智能（ASI）组成。通用人工智能（AGI）或通用人工智能是人工智能的一种理论形式，其中机器将具有与人类相等的智能；它将具有自我意识，具有解决问题、学习和规划未来的能力。人工超级智能 (ASI)——也称为超级智能——将超越人脑的智能和能力。虽然强大的人工智能仍然完全是理论上的，今天没有实际使用的例子，但这并不意味着人工智能研究人员也没有探索它的发展。与此同时，ASI 最好的例子可能来自科幻小说，例如 HAL，2001 年轻太空漫游中的超人流氓计算机助手。

什么是机器学习？

机器学习是计算机从数据中学习的总称。它描述了计算机科学和统计学的交叉点，其中算法用于执行特定任务而无需明确编程；相反，它们会识别数据中的模式，并在新数据到来时做出预测。

一般来说，这些算法的学习过程可以是有监督的，也可以是无监督的，这取决于用于为算法提供数据的数据。

传统的机器学习算法可以像线性回归一样简单。例如，假设您想根据您的高等教育年限来预测您的收入。第一步，您必须定义一个函数，例如收入 = y + x * 受教育年限。然后，给你的算法一组训练数据。这可能是一个简单的表格，其中包含一些人的高等教育年限及其相关收入的数据。接下来，让您的算法画线，例如通过普通最小二乘 (OLS) 回归。现在，你可以给算法一些测试数据，比如你个人的高等教育年限，让它预测你的收入。

虽然这个例子听起来很简单，但它确实算作机器学习——是的，机器学习背后的驱动力是普通的统计数据。该算法学会了在没有明确编程的情况下进行预测，仅基于模式和推理。

什么是深度学习？

深度学习算法可以被视为机器学习算法最复杂的演变。

深度学习消除了机器学习通常涉及的一些数据预处理。这些算法可以摄取和处理非结构化数据，如文本和图像，并自动提取特征，消除对人类专家的一些依赖。例如，假设我们有一组不同宠物的照片，我们想按“猫”、“狗”、“仓鼠”等进行分类。深度学习算法可以确定哪些特征（例如耳朵）对于区分每种动物最重要。在机器学习中，这种特征层次结构是由人类专家手动建立的。然后，通过梯度下降和反向传播的过程，深度学习算法调整并适应自身的准确性，使其能够以更高的精度预测动物的新照片。

深度学习神经网络或人工神经网络试图通过数据输入、权重和偏差的组合来模仿人脑。这些元素协同工作以准确识别、分类和描述数据中的对象。

这种神经网络的设计灵感来自人脑的生物神经网络，导致学习过程比标准机器学习模型更有能力。

上图中的示例 ANN。最左边的层称为输入层，最右边的层称为输出层。中间层被称为隐藏层，因为它们的值在训练中是不可观察的。简单来说，隐藏层是网络用来完成运算结果的计算值。网络在输入层和输出层之间的隐藏层越多，它就越深。通常，任何具有两个或更多隐藏层的 ANN 都称为深度神经网络。

深度神经网络由多层互连节点组成，每一层都建立在前一层的基础上，以改进和优化预测或分类。这种通过网络进行的计算过程称为前向传播。深度神经网络的输入和输出层称为可见层。输入层是深度学习模型提取数据进行处理的地方，输出层是进行最终预测或分类的地方。

另一个称为反向传播的过程 使用梯度下降等算法来计算预测误差，然后通过向后移动层来调整函数的权重和偏差，以训练模型。前向传播和反向传播一起允许神经网络做出预测并相应地纠正任何错误。随着时间的推移，算法逐渐变得更加准确。

深度学习算法非常复杂，并且有不同类型的神经网络来解决特定问题或数据集。例如卷积神经网络 (CNN) 主要用于计算机视觉和图像分类应用程序，可以检测图像中的特征和模式，从而实现目标检测或识别等任务。

如图是一款应用卷积神经网络深度学习算法的检测设备，它可以在复杂背景下进行缺陷检测，而传统算法的设备往往非常依赖光照环境等外部因素。而且，深度学习算法的设备检测速度更快，精度更高。