人工智能、机器学习和深度学习的区别

1、人工智能

人工智能的研究领域包括 专家系统(Expert Systems)、机器学习(Machine Learning)、进化计算(Evolutionary Computation)、模糊逻辑(Fussy Logic)、计算机视觉(Computer Vision)、自然语言处理(NLP)、推荐系统(Recommender Systems)等。

序号	研究领域 分类
1	专家系统（Expert Systems）
2	机器学习（Machine Learning）
3	进化计算（Evolutionary Computation）
4	模糊逻辑（Fussy Logic）
5	计算机视觉（Computer Vision）
6	自然语言处理（NLP）
7	推荐系统（Recommender Systems）

目前的科研工作都集中在 弱人工智能 这部分，并很有希望在近期取得重大突破。

2、机器学习：一种实现人工智能的方法

随着人对计算机科学的期望越来越高，要求它解决的问题越来越复杂，已经远远不能满足人们的诉求了。于是有人提出了一个新的思路——能否不为难码农，让机器自己去学习呢？

机器学习就是用算法解析数据，不断学习，对世界中发生的事做出判断和预测的一项技术。研究人员不会亲手编写软件、确定特殊指令集、然后让程序完成特殊任务；相反，研究人员会用大量数据和算法“训练”机器，让机器学会如何执行任务。
这里有三个重要的信息：
1、“机器学习”是“模拟、延伸和扩展人的智能”的一条路径，所以是人工智能的一个子集；
2、“机器学习”是要基于大量数据的，也就是说它的“智能”是用大量数据喂出来的；
3、正是因为要处理海量数据，所以大数据技术尤为重要；“机器学习”只是大数据技术上的一个应用。

常用的10大机器学习算法有：决策树、随机森林、逻辑回归、SVM、朴素贝叶斯、K最近邻算法、K均值算法、Adaboost算法、神经网络、马尔科夫。

3、深度学习：一种实现机器学习的技术

相较而言，深度学习是一个比较新的概念，严格地说是2006年提出的。
深度学习是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术。

它的基本特点，是试图模仿大脑的神经元之间传递，处理信息的模式。最显著的应用是计算机视觉和自然语言处理(NLP)领域。显然，“深度学习”是与机器学习中的“神经网络”是强相关，“神经网络”也是其主要的算法和手段；或者我们可以将“深度学习”称之为“改良版的神经网络”算法。

深度学习又分为 卷积神经网络（Convolutional neural networks，简称CNN）和深度置信网（Deep Belief Nets，简称DBN）。其主要的思想就是模拟人的神经元，每个神经元接受到信息，处理完后传递给与之相邻的所有神经元即可。所以看起来的处理方式有点像下图

神经网络的计算量非常大，事实上在很长时间里由于基础设施技术的限制进展并不大。而GPU的出现让人看到了曙光，也造就了深度学习的蓬勃发展，“深度学习”才一下子火热起来。

击败李世石的 Alpha Go即是深度学习的一个很好的示例。Google的 TensorFlow是开源深度学习系统一个比较好的实现，支持CNN、RNN和LSTM算法，是目前在图像识别、自然语言处理方面最流行的深度神经网络模型。事实上，提出“深度学习”概念的Hinton教授加入了Google，而Alpha Go也是Google家的。

总结：人工智能是一个很老的概念，机器学习是人工智能的一个子集，深度学习又是机器学习的一个子集。机器学习与深度学习都是需要大量数据来“喂”的，是大数据技术上的一个应用，同时深度学习还需要更高的运算能力支撑，如GPU。

3.1 深度学习已经取得的进展

虽然深度学习是机器学习一个相当有年头的分支领域，但在 21 世纪前十年才崛起。在随后的几年里，它在实践中取得了革命性进展，在视觉和听觉等感知问题上取得了令人瞩目的成果，而这些问题所涉及的技术，在人类看来是非常自然、非常直观的，但长期以来却一直是机器难以解决的。

特别要强调的是，深度学习已经取得了以下突破，它们都是机器学习历史上非常困难的领域：

1. 接近人类水平的图像分类
2. 接近人类水平的语音识别
3. 接近人类水平的手写文字转录
4. 更好的机器翻译
5. 更好的文本到语音转换
6. 数字助理，比如谷歌即时（Google Now）和亚马逊 Alexa
7. 接近人类水平的自动驾驶
8. 更好的广告定向投放，Google、百度、必应都在使用
9. 更好的网络搜索结果
10. 能够回答用自然语言提出的问题
11. 在围棋上战胜人类