一文读懂！人工智能、机器学习、深度学习的区别与联系！

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！

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。

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

## 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

"""
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)

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】