如今，当谈到新的数据处理技术时，会涌现出许多不同的术语。一个说他们正在使用机器学习，而另一个称其为人工智能，还有一些人可能声称他们在进行深度学习。这是什么意思呢？虽然这些术语中的许多是相关的并且在某些方面可能会重叠，但存在一些可能很重要的关键差异，这可能有助于理解它们之间的正确理解定义。?人工智能意味着让计算机以某种方式模仿人类行为。?机器学习是人工智能的一个子集，包括使计算机能够发现数据中的问题并提供人工智能应用程序的技术。?同时，深度学习是机器学习的一个子集，它使计算机能够解决更复杂的问题。下面将通过一些通俗易懂的例子来简要说明人工智能、机器学习和深度学习的区别。什么是人工智能？人工智能作为一门学科于1956年在美国创建。和现在一样，当时的目标是让计算机执行被视为人类独有的任务：需要智能的任务。最初，研究人员研究的问题包括下棋和解决逻辑问题。如果您查看西洋跳棋程序的输出，您会发现走棋背后有某种形式的“人工智能”，尤其是当计算机击败您时。早期的成功让第一批研究人员对人工智能的可能性产生了几乎无限的热情，这与他们错误判断某些问题的难度的程度相匹配。因此，人工智能是指计算机的输出。计算机在做一些智能的事情，所以它展示了人工智能。人工智能这个词并没有说明这些问题是如何解决的。有许多不同的技术，包括常规和专用系统。其中一项技术在1980年代开始得到更广泛的使用：机器学习。什么是机器学习？这些早期研究人员之所以发现一些问题更难，是因为这些问题根本不适合早期的人工智能技术。硬编码算法或固定的、基于规则的系统在识别图像或从文本中提取内容等方面表现不佳。事实证明，解决方案不仅仅是模仿人类行为(AI)，而是模仿人类的学习方式。想想你是如何学会阅读的。在拿起你的第一本书之前，如果不坐下来学习拼写和语法，你将仅限于简单的书籍，随着时间的推移，你会转向更复杂的书籍。实际上，您从阅读的内容中学习了拼写和语法规则。换句话说，您处理大量数据并从中学习。这正是机器学习的思想。为算法（而不是你的大脑）提供大量数据，让它解决问题。它涵盖了大数据分析和数据挖掘中遇到的许多类型的程序。归根结底，驱动大多数预测程序（包括垃圾邮件过滤器、产品推荐和欺诈检测器）的“大脑”实际上是机器学习算法。向算法提供大量有关金融交易的数据，告诉它哪些是欺诈性的，让它弄清楚哪些是欺诈性的，从而预测未来的欺诈行为。或者向它提供有关您的客户群的信息，让它找出最佳的细分方式。数据科学家可以使用一系列技术和语言编写机器学习算法，包括Java、Python、Scala等。他们还可以使用预构建的机器学习框架来加快这一过程。随着这些算法的发展，它们可以解决很多问题。但一些人类认为容易的事情（例如语音或手写识别）对机器来说仍然很困难。然而，如果机器学习是模仿人类的学习方式，为什么不直接模仿人脑呢？这就是神经网络背后的思想。使用人工神经元（由突触连接的神经元是大脑中的主要元素）的想法已经存在了一段时间。软件模拟神经网络开始用于解决某些问题。它们显示出解决其他算法无法解决的一些复杂问题的巨大潜力。但是机器学习仍然停留在许多小学生可以轻松解决的问题上，例如：这张图片中有多少只是狗，有多少是狼？如何区分生香蕉和熟香蕉？是什么让书中的这个角色哭得这么厉害？事实证明，这个问题与机器学习的概念无关，甚至与模仿人脑的想法无关。只是简单的神经网络，将100个甚至1000个神经元以一种相对简单的方式连接在一起，无法复制人脑的功能。仔细想想，这并不奇怪：人脑大约有860亿个神经元，它们之间的联系非常复杂。什么是深度学习？深度学习是机器学习的一种形式，它使用有监督或无监督算法，或两者??的结合。但它使用包含更多神经元、层和互连的神经网络。我们距离模拟人脑的复杂性还有很长的路要走，但我们正在朝着这个方向前进。当你读到计算机技术的进步，从自动驾驶汽车到下围棋的超级计算机再到语音识别，你就会意识到这实际上是一种隐藏的深度学习形式。你体验到某种形式的人工智能。在幕后，人工智能由某种形式的深度学习提供支持。让我们看几个问题，看看深度学习与简单的神经网络或其他形式的机器学习有何不同。深度学习原理虽然深度学习不一定是新事物，但它最近作为一种加速解决某些类型计算机问题的方法而受到欢迎，特别是在计算机视觉和自然语言处理(NLP)领域。如果我给你一些马的图片，你会认出它们是马，即使你从未见过那张图片。无论马是躺在沙发上还是万圣节打扮得像河马。您可以将它认作一匹马，因为您知道定义一匹马的各种元素：口吻的形状、腿的数量和位置等等。深度学习可以做到这一点。通过分层学习过程将高级复杂抽象提取到数据表示中，深度学习模型比标准机器学习方法更快地产生结果。用简单的英语来说，深度学习模型将自己学习重要的特征，而不是要求数据科学家手动选择相关特征，这对很多事情都很重要。包括自动驾驶汽车。在汽车决定下一步做什么之前，它需要了解周围的情况。它必须能够识别人、自行车、其他车辆、路标等。并在具有视觉挑战性的环境中这样做。然而，标准的机器学习技术无法做到这一点。深度学习中的“深度”来自深度学习模型（通常是神经网络）中内置的许多层。卷积神经网络(CNN)可以由许多层模型组成，其中每一层都从前一层获取输入，对其进行处理，然后以卷积方式将其输出到下一层。以今天用于聊天机器人和智能手机语音助手的自然语言处理为例。考虑以下陈述并填空：我出生在意大利，虽然我一生的大部分时间都在葡萄牙和巴西生活，但我能说________流利。希望您能发现最有可能的答案是意大利语（尽管您似乎可以回答法语、希腊语、德语等）。但是想一想得出这个结论需要什么。首先，你要知道填空词是一种语言。如果你能理解“我能说得很流利……”，你就可以确定。要得到意大利语的答案，你必须回头看句子，不要被文本中的葡萄牙语和巴西语混淆。“我出生在意大利”意味着我从小就学习意大利语（根据维基百科，93%的可能性），所以你需要了解“出生”的含义。“虽然”和“仍然”的组合清楚地表明我不是在说葡萄牙语，带你回到意大利寻找这个答案。所以意大利语是可能的答案。想象一下你大脑中的神经网络会发生什么。诸如“出生于意大利”和“尽管......仍然”之类的事实是你做事时大脑其他部分的输入。这个概念通过复杂的反馈回路被引入深度神经网络。
