通常可以更换人工智能时期（AI），机器学习（ML），深度学习（DL）和神经网络（CNN），但是它们之间有什么区别？如何区分它们？
AI技术正在越来越深入我们的日常生活。为了跟上消费者的速度，公司还越来越依赖于使AI算法更容易。
这些技术通常与人工智能，机器学习，深度学习和神经网络有关。尽管它们都起着作用，但这些术语通常会互换和使用，使公众混淆了它们之间的微妙差异。托迪我们将在本文中介绍这些人之间的差异。
考虑人工智能，机器学习，神经网络和深度学习的最简单方法是想象它们是俄罗斯娃娃。
换句话说，机器学习是人工智能的子领域。深度学习是机器学习的子领域，神经网络构成了深度学习算法的支柱。学习算法是神经网络的节点或深度的数量，深度学习算法必须超过三层。
神经网络 - 更具体地说，人工神经网络（ANN） - 通过一组算法的模拟人脑。在基本级别上，神经网络包括四个主要部分：输入，重量，偏差或阈值和阈值和输出。类似于线性回归，代数公式如下：
如果任何单个节点的输出高于指定的阈值，则激活节点并将数据发送到网络的下一层。否则，不会将数据传递到网络的下一层。上面的过程多次重复进行单个决定，因为神经网络通常具有多个“隐藏”层，作为深度学习algorithm的一部分。EHTEEST隐藏层具有其自己的激活功能，这可能会将信息从上一层传递到下一层一旦生成隐藏层的所有输出，它们被用作计算神经网络的最终输出的输入。大多数现实世界的应用程序示例是非线性的，并且更为复杂。
返回和神经网络之间的主要区别是变化对单个重量的影响。在返回中，开发人员可以改变重量而不会影响功能中的其他输入。但是，神经网络不是这种情况。第一层传递到网络的下一层，单个更改可能会对网络中的其他神经元具有级别连接效应。
尽管这在神经网络的解释中暗示，但更清楚地注意到。深度学习中的“深度”是指神经网络中间层的深度。神经网络由三层以上（包括输入和输出）可以视为深度学习算法。这通常使用以下图表：
大多数深度神经网络都是反馈，这意味着它们仅从输入流向一个方向。但是，开发人员还可以通过反向通信训练模型。也就是说，从输出转移到相反的方向。反向传播使我们能够计算和归因与每个神经元相关的错误，并允许我们适当调整和拟合算法。
深度学习只是机器学习的一部分。它们之间的主要区别是每种算法的学习方法和每个算法使用的数据量。该过程中的大多数功能提取都是自动化的，消除了一些必需的人工干预。还支持大型数据集的使用。当我们开始探索更多非结构化数据时，此功能将特别有趣，尤其是因为估计组织的数据中有80-90％是非结构化的。
经典或“非深度”的机器学习取决于人工干预来学习。专家确定功能的特征，以了解数据输入之间的差异，以及需要更多结构化数据才能学习。例如，假设我想向您展示一个不同类型的快餐，“手蛋糕”，“汉堡”或“烧烤”的一系列图片。这些图像的人类专家将确定每张图片分为特定快餐类型的特征。例如，每种食物类型面包可能是每张图片中的重要功能。或者，您只能使用标签，例如“抓蛋糕”，“汉堡”或“烧烤”来通过监督学习来简化学习过程。
“深度”机器学习可以使用标签数据集（也称为监督学习）来通知其算法，但不一定需要标记数据集。它可以以原始形式摄入非结构性数据（此类）作为文本，图像），并且可以自动确定一组“抓住蛋糕”，“汉堡”和“烧烤”的功能。
通过观察数据中的模式，深度学习模型可以正确地输入输入。以相同的示例为例，我们可以根据图像中识别的相似性或差异来对手动蛋糕，汉堡和烧烤的图片进行分组。having说，深度学习模型需要更多的数据点以提高其准确性，而在给出基本数据结构时，机器学习模型依赖于更少的数据。深度学习主要用于更复杂的用例，例如虚拟助手或欺诈检测。
最后，人工智能（AI）是用于模仿人类智能的机器的最广泛术语。它用于预测，自动化和优化人类历史上完成的任务，例如语音和面部识别，决策制定，制定制定，制定制定，制定制定，等等。
AI主要分为三类：
ANI被认为是“弱”的人工智能，其他两种类型被归类为“强”人工智能。弱人工智能的定义是其完成非常具体任务的能力，例如赢得国际象棋游戏或确定特定的个人一系列照片。当我们进入更强大的人工智能形式，例如AGI和ASI时，更多人类行为的组合变得更加突出，例如解释语气和情感能力。这个问题的表面，但它们仍然是ANI的一个例子。
强大人工智能的定义是与人类相比的能力。通用人工智能（AGI）的表现将与另一个人进行比较，超级人工智能（ASI）（也称为超级智能 - 将超级智力 - 都会超越人类的智能和能力。目前，这两种形式没有强大的人工智能，但是该领域的研究仍在继续。由于人工智能领域仍在迅速发展，我能提供的最好的例子是多洛里斯在HBO“西方世界”中的作用。
当前的AI技术仍然属于狭窄的人工智能，例如面部识别，目标识别，对象运动轨迹等。TsingSee绿犀牛视频基于视频领域的技术经验的技术经验。在人工智能技术+视频领域，它还不断地将AI检测和智能识别技术开发为各种视频应用程序场景，例如安全监控，视频中的视频中的人面对面面部面部脸部面部脸部面部面部面部面部脸部面孔脸部探测和测试的识别，危险行为（攀爬，下降，推动等）测试和识别。
典型的示例，例如EasyCVR视频融合云服务，具有面对面识别，车牌识别，语音对讲机，gimbal Control，Sound Light警报，监视视频分析和数据摘要的能力。
人工智能包括智能机器人，智能驾驶，无人机，AR/VR，大数据和数据服务以及各种垂直现场应用程序。人工智能在安全领域的应用主要包括两个方向：警察和平民使用。使用人工智能。实时分析图像和视频内容的技术，您可以通过视频检索确定人员，车辆信息，跟踪嫌疑犯或从大型图片和视频库中检索嫌疑人，以节省各种案例调查时间的贵重物品。Tsingee绿犀牛视频下的监视和管理平台已在各种安全监控方案中获得了广泛的应用。在平民方向上，人工智能可用于实现对智能建筑和工业园区的智能监控。