人工智能、机器学习与深度学习关系

提示：简单说明人工智能、机器学习与深度学习之间的关系

前言

随着人工智能的发展，越来越多的人开始关注并学习人工智能这个模块了，但是人工智能，机器学习，深度学习这三个模块有不少人依旧分不大清楚，在此简单说下三者分别是什么。
先来一张图，通过图片说明三者关系。

此处，从范围上可以看得出来，人工智能>机器学习>深度学习。

提示：接下来就分别介绍以上三者

一、人工智能

人工智能诞生于20世纪50年代，当时计算机科学前沿的先驱们提出：计算机是否能够进行思考？因此，可以简单理解人工智能为：将人类智力完成的任务自动化。所以人工智能的范围非常广，不仅仅包括机器学习。比如国际象棋的编写，早期科学家认为只要程序员给出足够精细的程序，设定最够多的合理的规则，机器的反应就可以达到人类智力的水平。20世纪50年代到80年代，这样的硬编码模式一直处于热潮之中，这种方式称作符号主义人工智能。

但是这种硬编码模式只能解决界限定义非常明确的问题，对于诸如语音识别、图像分类、语言翻译等界限模糊和不明确的问题，则无能为力。由此引出另一种方法——机器学习。

二、机器学习

人工智能先驱阿兰 • 图灵在其 1950 年发表的具有里程碑意义的论文“计算机器和智能” 中，介绍了图灵测试以及日后人工智能所包含的重要概念。并思考了这样一个问题：通用计算机是否能够学习与创新？他得出的结论是“能”。

由此，图灵的这个问题引出了一种新的编程范式。在经典的程序设计中——符号主义人工智能，人们输入的是规则——程序和需要根据这些规则进行处理的数据，系统输出的是答案。在机器学习中，人们输入的是数据和从这些数据中预期得到的答案，系统输出的是规则。这些规则随后可应用于新的数据，并使计算机自主生成答案。

两种模式对比如下图所示：

机器学习是训练出来的，而不是用程序编写出来的。

20世纪90年代机器学习开始进入蓬勃发展期。

2.1 机器学习算法是做什么的？

可以从输入、预期输出、反馈这三点来描述机器学习。

输入：即输入的数据，如果是语音识别，那么输入就是一段一段的语音；如果是做图像识别，那么输入就是诸如猫狗一样的图像。
预期输出：即希望输出的数据，语音识别中预期输出是对应的文段；猫狗图像识别中预期输出是猫或者狗的对应的标签。
反馈：衡量当前输出与预期输出之间的差距，并用于算法的调节，调节的步骤就是学习。

机器学习模型将输入数据变换为有意义的输出，是一个从给定输入和预期输出中进行学习的过程。而机器学习和深度学习的核心问题在于有意义地变换数据。即怎么使用更好的表示来更接近预期输出。

很多时候，使用某种表示可能会很困难，但换用另一种表示就会变得很简单。如彩色图像的RGB和HSV两种形式，在选择红色像素时用RGB更好表示，选用饱和度时选用HSV更好表示。而机器学习模型
都是为输入数据寻找更合适的表示。

三、深度学习是什么？

深度学习是机器学习的一个分支领域，是从数据中学习表示的一种新方法，强调从连续的层中进行学习，这些层对应于越来越有意义的表示。深度学习中的深度指一系列连续的表示层。数据模型中包含多少层，这被称为模型的深度。

如下，是使用层的方式来使输入达到更接近预期输出的目的。

如下是将损失值做为优化器来调节权重的