机器学习、神经网络的几个概念区分

刚接触机器学习这一块，对一些基本用语概念比较模糊，比如机器学习、深度学习、人工神经网络这些等等，总是会习惯性混为一谈。所以，做一下区分。

机器学习(Machine Learning, ML)是一门多领域交叉学科，它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。具体来说，机器学习算法，企图从大量历史数据中挖掘出其中隐含的规律，并用于预测或者分类，更具体的说，机器学习可以看作是寻找一个函数，输入是样本数据，输出是期望的结果，只是这个函数过于复杂，以至于不太方便形式化表达。需要注意的是，机器学习的目标是使学到的函数很好地适用于“新样本”，而不仅仅是在训练样本上表现很好。学到的函数适用于新样本的能力，称为泛化（Generalization）能力。

它的发展基本上有3个阶段：

80年代，连接主义较为流行，代表性方法有感知机（Perceptron）和神经网络（Neural Network）。

90年代，统计学习方法开始占据主流舞台，代表性方法有支持向量机（Support Vector Machine）。

进入21世纪，深度神经网络被提出，连接主义卷土从来，随着数据量和计算能力的不断提升，以深度学习（Deep Learning）为基础的诸多AI应用逐渐成熟。

深度学习（Deep Learning）是指多层神经网络上运用各种机器学习算法解决图像，文本等各种问题的算法集合。深度学习从大类上可以归入神经网络，不过在具体实现上有许多变化。深度学习的核心是特征学习，旨在通过分层网络获取分层次的特征信息，从而解决以往需要人工设计特征的重要难题。深度学习是一个框架，包含多个重要算法，如近几年比较火的卷积神经网络（CNN）。

所以，人工智能是追求目标，机器学习是实现手段，神经网络、深度学习都只是其中一种方法。

参考文章：https://blog.csdn.net/hohaizx/article/details/80584307