人工智能、机器学习、深度学习的关系，终于有人讲明白了

作者：史丹青

来源：大数据DT（ID：hzdashuju）

2012年以后，信息爆炸带来的数据量猛增、计算机算力的高速提升、深度学习的出现以及运用，使人工智能的研究领域不断扩展，迎来大爆发。除了传统的专家系统、机器学习等，进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统也接二连三有了里程碑式的成果^[1]，见图1-10。

▲图1-10 人工智能的分支

机器学习属于人工智能的分支之一，且处于核心地位。顾名思义，机器学习的研究旨在让计算机学会学习，能够模拟人类的学习行为，建立学习能力，实现识别和判断。机器学习使用算法来解析海量数据，从中找出规律，并完成学习，用学习出来的思维模型对真实事件做出决策和预测。这种方式也称为“训练”。

深度学习是机器学习的一种实现技术，在2006年被Hinton等人首次提出。深度学习遵循仿生学，源自神经元以及神经网络的研究，能够模仿人类神经网络传输和接收信号的方式，进而达到学习人类的思维方式的目的^[2]。

简而言之，机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术，而生成对抗网络则是深度学习中的一种分类。它们之间的关系可以通过图1-11清晰地表示。

▲图1-11 人工智能、机器学习、深度学习与生成对抗网络四者的关系

01 机器学习分类

在机器学习或者人工智能领域，有几种主要的学习方式：监督式学习、无监督式学习、强化学习。监督式学习主要用于回归和分类，无监督式学习主要用于聚类。

1. 监督式学习

监督式学习^[3]是从有标签训练集中学到或建立一个模式，并根据此模式推断新的实例。训练集由输入数据（通常是向量）和预期输出标签所组成。当函数的输出是一个连续的值时称为回归分析，当预测的内容是一个离散标签时，称为分类。

2. 无监督