如果您是人工智能或数据科学的新手，您很有可能会一遍又一遍地遇到这四个术语。如果您从未完全理解这四个术语的含义，那么本文适合您。在本文中，您将了解它们的基本含义并了解它们之间的区别。我将尽我所能使事情变得简单，当你继续阅读时，你会发现这些术语的真正含义。事不宜迟，让我们从第一个开始。与人类或动物中发现的自然智能相比，人工智能或人工智能是指在机器中创造智能行为。实现人工智能有两种主要方法，一种是使用经典编程，您对所有编程逻辑进行编码，另一种是使用机器学习。目前，机器学习是最成功的方法，或者更具体地说，可以使用深度学习来实现这一目标，正如我们将在本文中进一步看到的那样。首先让我们看看什么是机器学习。机器学习机器学习(ML)是人工智能的一部分。这意味着无论何时编写机器学习代码，您都在编写人工智能代码。机器学习基本上是一种不同的计算机编程方式，尤其是与传统编程相比。这就是机器学习有时被称为“软件2.0”的原因。一般来说，如果您正在编写软件，您会定义所有规则和所有编程逻辑，并且您可以通过多种方式明确地对计算机进行编程。但是，在机器学习中，您不会明确地对计算机进行编程。相反，您要做的是创建一个机器学习模型并使用适当的数据和目标对其进行训练。在训练机器学习模型时，您的模型会学习近似期望的结果。基本上，在机器学习中，您是在编写软件而不是明确地为计算机编程。机器学习中的大多数编程都是使用您提供的数据执行的。可以学习识别皮肤癌的机器学习模型（取决于训练的数据）也可以学习区分猫和狗。首次创建机器学习模型时，它首先进行近乎随机的预测，每次训练模型时，它都会学习减少预测错误，直到达到最佳性能。尽管它从随机预测开始，但在许多情况下，机器学习模型可以实现超人的性能。基本上，这意味着它们在执行给定的特定任务时可以等于或优于人类。目前，最成功的机器学习方法称为深度学习。深度学习深度学习(DL)是利用深度神经网络的机器学习的一个子集。顺便说一句，如果您不知道什么是神经网络，则不必为了掌握机器学习和深度学习之间的区别而无所不知。如果您有兴趣了解更多关于神经网络的知识，我将发表一篇关于它们的更全面的文章。这些文章的目的是使看似复杂的主题（例如人工智能和机器学习）一次变得易于理解。在继续之前，让我们快速了解一下什么是神经网络。关于神经网络，您应该了解的一件事是它们是在称为神经网络层的层中创建的。第一层称为输入层，最后一层称为输出层。中间的层称为隐藏层。如果神经网络的总层数超过三层，则称为深度神经网络。因此，如果您的神经网络只有两层，那么您实际上是在进行机器学习。但是当你有3层或更多层时，你也在机器学习之上进行深度学习。神经网络的基本方面之一是对所谓的通用逼近定理的满足。这基本上意味着，只要有足够的规模和架构，你总能用神经网络逼近任何函数。这意味着，您无需创建具有所有规则和编程逻辑的软件，而是创建一个神经网络，该网络从提供的数据中学习以执行分配的任务。例如，您可以将猫和狗的图像输入神经网络，并让神经网络对图像进行分类。执行此操作时，网络将在图像像素和生成的分类之间创建映射。最初，网络将从随机猜测开始，但随着它接受更多数据的训练，它最终将学会根据像素值区分猫和狗。顺便说一句，机器学习还可以使用神经网络以外的方法。然而，由于性能优越，大多数（如果不是全部）已被深度学习模型所取代。即使与机器学习相比，深度学习也消除了越来越多的软件中人工编写的部分。这是因为，即使你熟悉机器学习，即使在机器学习中，仍然需要做出一些大的决定，比如特征选择。数据科学数据科学本质上是关于使用统计方法和机器学习方法来理解数据。如果您是一名数据科学家，您可能不会想到新的神经网络架构，但您可以使用它们来分析您所拥有的数据以提取有意义的见解。当然，执行此分析还需要领域知识，以确保您不仅在计算随机统计数据，而且实际上是从真实数据中提取有意义且可操作的见解。结论如您所见，所有这四个都是相互关联的，但又具有使它们与众不同的独特功能。从AI到ML再到DL的路径更像是最成功的人工智能创建方法的演变。另一方面，数据科学是一种在现实生活中使用或实施它们的方法，主要用于分析目的。我希望本文有助于阐明这些术语之间的主要区别。如果您对某些部分感到困惑，请随时在评论部分提问。我会尽快回复你。如果您的问题需要更深入的解释，我可以在另一篇文章中进行解释。原文链接：https://medium.com/swlh/artificial-intelligence-vs-machine-learning-vs-deep-learning-vs-data-science-5d01381554fd
