一文读懂！人工智能、机器学习、深度学习的区别与联系！零基础入门到精通，收藏这一篇就够了

本文链接：https://blog.csdn.net/2301_76225313/article/details/142660307

对于初学者来说，刚接触到人工智能（AI）、机器学习（ML）和深度学习（DL）可能会分不清，不知道它们的联系，或者不知道它们是什么概念，也不知道它们能做什么。

本文旨在帮大家系统地理清概念，了解技术上面的差异，可以更有目标的去学习及应用。

概念及定义

通俗来说，人工智能就是让计算机像人类一样思考、学习和做出决策。通过利用各种技术（如机器学习、深度学习、专家系统等），人工智能系统可以处理和分析大量数据，自主地学习和优化算法，从而完成各种复杂的任务。人工智能的应用非常广泛，包括但不限于语音识别、图像识别、自然语言处理、智能推荐、智能客服等。

具体的，从技术层面来看（如下图），现在所说的人工智能技术基本上就是机器学习（含深度学习）方面的技术。机器学习、深度学习是人工智能的重要组成。

机器学习是让计算机通过算法自动从数据中学习规律和模式，机器学习常见的任务有分类任务（如通过逻辑回归模型判断邮件是否为垃圾邮件类）、回归预测任务（线性回归模型预测股价）等等。

深度学习是机器学习的一个子方向，是当下的热门，它实现的功能和机器学习差不多，区别在于深度学习是通过搭建深层的神经网络模型以处理任务，主要任务有如深度神经网络模型回归预测股价、 CNN做图像分类的任务，以及最近特别火爆的大模型内容生成。

综上，人工智能从技术层面上约等于机器学习，而深度学习只是机器学习的一部分（子类），深度学习可以看做是一种用上神经网络的比较“新” 及热门的技术。

接下来我们具体介绍下机器学习与深度学习的区别及联系！

在这里插入图片描述

学习方法

机器学习：基于数据和算法，通过训练数据来调整模型参数，从而实现预测和分类等功能。常见的机器学习算法包括线性回归、决策树、支持向量机等。

深度学习：使用神经网络模型，通过反向传播算法和梯度下降优化技术来调整网络权重和参数。常见的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）、Transformer等。

数据需求

机器学习：需要足够的数据来训练模型，但并不一定需要全部数据。可以通过特征选择、降维等技术来处理大规模数据集。

深度学习：需要大量的数据进行训练，尤其是对于复杂的任务和模型。通常需要使用无监督学习进行预训练，以减少对大规模数据集的需求。

模型的复杂性

机器学习：模型通常较为简单，主要是线性模型和统计模型等。模型的复杂度取决于所选择的算法和特征工程。

深度学习：模型通常非常复杂，具有大量的神经元和层数。通过逐层传递信息，深度学习模型能够自动提取和抽象出有用的特征。

优缺点

机器学习：优点在于其预测准确度高，适用于各种类型的数据和任务；缺点是需要足够的数据和特征工程，对于复杂任务的建模能力有限。

深度学习：优点在于其强大的表示能力和泛化能力，能够处理复杂的非线性问题；缺点是计算量大、训练时间长，对于大规模数据集的需求较高。

应用领域

机器学习：应用领域包括推荐系统、数据挖掘等。例如，使用支持向量机进行文本分类或使用决策树进行预测。

深度学习：应用领域主要为图像识别、语音识别、自然语言处理等。例如，使用卷积神经网络进行图像分类或使用循环神经网络进行文本生成。

在这里插入图片描述

两者区别（总结）

模型层面：

机器学习是基于传统模型（统计学习模型、KNN等等）；

深度学习则使用神经网络模型进行学习和预测。

应用方面：

机器学习适用于各种类型的数据和任务；

深度学习则更适用于处理复杂的非线性问题。

复杂度：

深度学习的模型通常比机器学习模型更加复杂，需要更多的计算资源和训练时间。

可解释性：

机器学习：模型通常较为简单，因此具有一定的可解释性。例如，决策树和线性回归模型可以通过规则和系数来解释。

深度学习：由于模型的复杂性和黑箱性质，通常难以解释。这使得深度学习在某些需要解释的场景中受到限制。

鲁棒性：

机器学习：一些传统的机器学习算法可能对噪声和异常值敏感。

深度学习：通过强大的表示能力和鲁棒的网络结构，大数据加持的深度学习模型通常具有较好的鲁棒性，能够更好地处理噪声和异常值。

数据标注需求：

机器学习：许多传统的有监督机器学习算法需要一些标注数据，主要视模型复杂度具体来看，一些简单模型样本需求并不高，几百个也可以支持。

深度学习：深度学习模型通常需要大量的标注数据，尤其是对于复杂的任务。然而，深度学习无监督学习和其他技术也可以减少对大量标注数据的需求。

代码示例

1、机器学习分类预测项目

在这里插入图片描述

## 机器学习做iris植物的分类任务
from sklearn.datasets import load_iris  
from sklearn.model_selection import train_test_split  
from sklearn.ensemble import RandomForestClassifier  
from sklearn.metrics import accuracy_score    

# 加载数据集  
iris = load_iris()  
X = iris.data  
y = iris.target    

# 划分数据集  
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)   

 # 创建模型并训练  
 model = RandomForestClassifier()  
 model.fit(X_train, y_train)    

# 预测  
y_pred = model.predict(X_test)    

# 评估模型  
accuracy = accuracy_score(y_test, y_pred)  
print(f"Accuracy: {accuracy}")

2、深度学习图像识别分类项目

在这里插入图片描述

"""
深度学习图像分类：
首先加载MNIST数据集并进行预处理，然后将数据集转换为适合深度学习模型
使用的格式。接下来，创建一个序贯模型并添加两个全连接层（密集层）。
第一层有128个节点并使用ReLU激活函数，第二层有10个节点
并使用softmax激活函数进行分类。
然后，使用Adam优化器和交叉熵损失函数编译模型。
最后，用训练数据对模型进行训练.
"""
# 导入所需库  import keras  
from keras.datasets import mnist  
from keras.models import Sequential  
from keras.layers import Dense, Dropout, Flatten  
from keras.optimizers import Adam  
from keras.utils import to_categorical    

# 加载数据集  
(x_train, y_train), (x_test, y_test) = mnist.load_data()  
 
# 数据预处理  
x_train = x_train / 255.0  # 归一化数据范围至[0,1]之间  
x_test = x_test / 255.0  # 归一化数据范围至[0,1]之间  
y_train = to_categorical(y_train)  # 对目标变量进行分类编码（one-hot encoding）  
y_test = to_categorical(y_test)  # 对目标变量进行分类编码（one-hot encoding）  
input_shape = x_train[0].shape  # 获取输入的形状（例如：28x28）并指定为模型的输入维度  
x_train = x_train.reshape(-1, input_shape[0] * input_shape[1])  # 将数据展平为一维数组，例如：784x28000（784为每个像素点的维度）  
x_test = x_test.reshape(-1, input_shape[0] * input_shape[1])  # 将数据展平为一维数组，例如：784x10000（784为每个像素点的维度）   

 # 创建模型并训练  
 model = Sequential()  
 model.add(Dense(128, activation='relu', input_shape=(input_shape[0],)))  # 添加一个全连接层，节点数为128，激活函数为ReLU函数，输入维度为特征的数量  
 model.add(Dropout(0.2))  # 添加一个dropout层，丢弃率为0.2，用于防止过拟合  
 model.add(Dense(10, activation='softmax'))  # 添加一个全连接层，节点数为类别数量，激活函数为softmax函数，用于多分类问题输出概率分布  
 model.compile(optimizer=Adam(learning_rate=0.001), loss='categorical_crossentropy', metrics=['accuracy'])  # 编译模型，优化器使用Adam，损失函数使用交叉熵损失函数，评估指标使用准确率  
 model.fit(x_train, y_train, batch_size=64, epochs=10, validation_data=(x_test, y_test))  
 # 训练模型，使用测试集进行验证
 model.predict(x_test)