人工智能， 机器学习和 深度学习的区别

---智慧是与人类相关的一种特征。

当我们尝试在机器中模仿人类这种使用智慧处理方式时候，我们将其称为人工智能，因此任何模仿人类行为的方法都可以称为人工智能。机器是使用编程实现的，比如编程中使用while循环，if判断等操作来复制人类的 循环、判断等行为，那就可以说这就是人工智能的，但是这种方法效果并不好，这是因为此方法是编程的显示方式。这以为着我们要定义每个可能的方案以及该方案发生时的操作。举例：如果我们以无人驾驶汽车为例，那就意味着我们要定义在驾驶时，在路上遇到的任何一种可能性，如 车前面有人，我们必须停下来、路上有水、我们必须建设、红灯亮着，我们需要停车等待，逐个查看这些场景，他们听起来非常简单，但是如果汽车前面有人、道路很湿，绿灯亮着，那汽车该怎么办？

        因此，从理论上讲 ，此时汽车存在无限可能的方案，因此不可能写出所有方案的程序。一次我们需要借助机器学习来解决这类问题。机器学习是人工智能的一部分，但是这里主要区别是它不是基于显示编程的。这意味着，代替我们为机器定义规则，机器本身将学习规则，举个例子，假设我们希望机器来学习猫和狗的区别，在这种情况下，我们将定义猫和狗有哪些区别的特征，这些特征我们是用数字（猫12-32，狗 89-97）定义的，而不是用文字（ps：狗比猫个头大），因此基于这些（数字）特征，机器可以了解猫和狗之间的区别。

这被称为分类问题，其中类别是既定数量的，我们需要将新数据分类为其中一个类别，另一种机器学习的主要问题是回归问题，这适应于我们需要应对持续变化的数据，而不是有限的分类问题。以房地产市场为例，假设我们要根据房屋的位置、卧室数和面积大小来了解房屋的价格。这三个变量是我们需要的 ‘机器学习特征’ ，因此，我们需要为机器提供一些训练数据，这些数据包含房子位置、卧室数，面积和价格。因此，一旦机器完成自我训练，便可根据新房子位置、卧室数和面积，估算出房子的大致价格。请注意，这里的价格（回归预测结果）是一个连续的数字（例如：￥32500）而不是简单的价格高低的分类，如果我们把这个当成分类问题来解决，那么预测的价格应该不是数字，而是价格的三种类别（例如：低价、中等价格、高等价格）。

        因此，分类和回归，是 机器学习 需要应对的两种主要问题。但是即使使用机器学习，该过程也不是足够智能的，因为 人类是提供特征以使机器学习的主题，而机器需要人提供特征进行学习。在区分猫和狗的例子中，我们必须先定义猫和狗的特征，因此需要省的学习来解决这类问题。

深度学习 是机器学习的 子集，深度学习的思想是受到 人类大脑是由数十亿个神经单元组成的架构 启发，基于这种神经元架构，我们创建了一个人工神经网络，当这个神经网络具有多层时，我们称其为‘深度神经网络’，因此叫 ‘深度学习’。

        因此，用深度学习，我们仅向机器 输入猫和狗的不同图像，然后让机器自己发现猫和狗的区别，并训练机器自己以区分猫和狗，这种方法是最接近人类智能的方法，因此在许多不同领域都显示出令人振奋的结果。

        以自动驾驶为例，作为人类，我们通过眼镜看到周围的 环境，并以此为基础来决定汽车是否要制动，加速还是转向。我们通过多年的驾驶实践来习得开车技能。在我们的脑海中，我们并没有计算数值，我们可以通过相同的方式，从摄像机收集图像，并记录启动 ‘角加速度 和 刹车灯数值’。然后我们可以通过这些数据来训练机器。当向机器展示一副新图片 ，机器就可以根据图片自己决定怎样加速，转向和刹车。在此示例中，我们没有定义任何特征（例如应该走什么车道，路上有无颠簸，怎样避开障碍物等）。机器通过自己的观察来实现自动驾驶，这就是当前大多数大公司解决自动驾驶问题的方式。英伟达公司设置分享了他们的自动驾驶AI训练模型及其效果，他们只需要训练72小时的驾驶数据，就可以使用这种凡是实现自动驾驶，

        总之，人工智能正在以各种方式模仿人类行为。机器学习是不适用显示编程的AI的子集。这意味着它没有使用任何固定的规则，但它需要人类先定义学习特征（规则）。深度学习是机器学习的子集（理论上不需要人工定义特征）。他能够自行决定哪些特征是相关的，并根据给定的数据进行自我训练。

        机器学习问题主要有两类：一种是分类问题，对目标进行有限的分类，例如辨别猫和狗。另一种是回归问题，其中结果是一个连续数字，例如房价价格等。这就是人工智能，机器学习和深度学习的介绍。