简介：今天，首席CTO注释与您分享与机器学习和人工智能有关的内容。如果您可以解决您现在面临的问题，请不要忘记注意此网站。让我们现在开始！
人工智能（AI），机器学习和深度学习都被使用了。这三个在击败Alphago的Li Shizhen的过程中发挥了作用，但它们不是同一回事。
今天，我们使用最简单的概念循环来显示其中三个的关系和应用。
如下图所示，人工智能是最早，最大和最外部的同心圆。其次是机器学习，不久之后；内部内侧是深度学习，这是当今人工智能爆炸的核心驱动力。
在1950年代，人工智能曾经是非常乐观的。在开发了一些较小的人工智能子集之后，就开始进行机器学习，然后深度学习。深度学习是机器学习的子集。深度学习造成了前所未有的巨大影响。
从概念提议到繁荣
1956年，几位计算机科学家聚集在达特茅斯会议上，并提出了“人工智能”的概念。随着人工智能，人工智能一直在人们的脑海中徘徊，并在科学研究实验室中慢慢孵化。波兰人或人类文明令人眼花未来的预测；或被用作技术疯子将其扔进垃圾场的疯狂。FranklySpeake，在2012年之前，这两种声音仍然同时存在。
在过去的几年中，尤其是自2015年以来，人工智能开始爆炸。这很大程度上是由于GPU的广泛应用，使平行计算更快，更便宜且更有效。数据洪流（大数据）组合拳头的突然爆发也使图像数据，文本数据，交易数据和映射数据。
让我们慢慢弄清楚计算机科学家如何从最早的一些迹象中开发出人工智能，以支持每天数亿用户可以使用的应用程序。
人造智能 - 机器给出的智力
Kingme：可以进行检查的过程是早期人工智能的典型应用，该智力在1950年代引发了一波。国际象棋可以向后移动）。
早在1956年夏天的会议上，人工智能的开拓者就梦想着他们使用了当时刚刚出现的计算机来构建复杂的人，并且具有人类智慧的同样的本质。这就是我们在谈论的内容。”通用情报”。这款无所不能的机器具有我们所有的看法（甚至比人更多），我们所有的理性都可以像我们一样思考。
人们总是在电影中看到这样的机器：友好的C-3PO，例如《星球大战》；邪恶，例如terminator.strong人工智能现在仅存在于电影和科幻小说中。原因并不难理解。我们还没有意识到它们，至少还没有。
我们现在可以实现的目标通常被称为“ nrarkai”。企业人工智能是一项可以执行特定任务的技术，以及可以比其他任务更好地执行特定任务的人。例如，Pinterest上的图像分类；或Facebook面部识别。
这些是实践中人工智能薄弱的例子。这些技术意识到了人类智能的某些特定部分。但是它们如何实现？这种智能来自哪里？这将我们带到了同心圈的内部机器学习。
机器学习 - 一种实现人工智能的方法
SPAMFREEDIET：机器学习可以帮助您在电子邮箱中过滤（大多数）垃圾邮件。英国农业尚未从第二次世界大战的损失中恢复过来，因此它从美国进口了很多。这种廉价的肉类产品。有传言说它不是美味的，而且充满了市场。）
机器学习的最基本方法是使用算法来分析数据，从中学习，然后对现实世界中的事件做出决策和预测。与解决特定任务和硬编码的传统软件程序一样，机器学习使用了大量数据以“训练”，并了解如何通过各种算法从数据中完成任务。
机器学习直接来自早期人工智能领域。传统算法包括决策树学习，衍生逻辑计划，聚类，增强学习和贝叶斯网络。我们都知道，我们还没有意识到强大的人工智能。甚至达到人工智能薄弱。
机器学习最成功的应用程序字段是计算机视觉，尽管仍然需要大量的手动代码来完成工作。People需要编写分类器和边缘检测过滤器，以允许程序识别对象的启动何方和在哪里结束；编写形状检测程序，以确定检测对象是否具有八个边；编写分类器来识别字母“ st-o-p-p-p-p-p”“”。使用上述手动分类器，人们最终可以开发算法来感知图像并确定图像是否是停车招牌。
这个结果非常好，但是不是那种可以使人们振兴的成功。成功。这就是为什么不久前计算机视觉的性能与人们的功能没有接近的原因。它太僵硬了，太容易受到环境条件的影响。
随着时间的流逝，学习算法的发展改变了一切。
深度学习 - 一种实现机器学习的技术
Herdingcats：从YouTube视频中寻找猫的图片是第一次展示深度学习出色表现。用于描述混乱的情况和任务很难完成。）
人工努力是早期机器学习中的重要算法，它已经经历了数十年的风和雨水。神经网络的原理受到我们脑部 - 杂交连接神经元的生理结构的启发。与大脑中的神经元不同，它可以连接到一定距离内的任何神经元。人工神经网络具有离散的层，连接和数据传播方向。
例如，我们可以将图像切入图像块并输入神经网络的第一层。第一层的EAVEN神经元将数据传递到第二层。第二层神经元也完成了类似的作业，将数据传递给第三层，以便将最后一层推到最后一层，然后生成结果。
每个神经元分配其输入的重量。此权重的正确性与其任务直接相关。最终输出由这些权重确定。
我们仍然以停止徽标为例。断开所有停止招牌图像的元素，然后使用神经元来“检查”：八角形的形状，火车的红色 - 类似红色的红色，生动的字母，典型的字母交通标志，功能等的大小和安静的运动。神经网络的任务是结论，是否是停止信号。神经网络将根据所有权 - “概率向量”提供周到的猜测。
人工智能也称为AI，它是计算机学科的分支。它主要用于模拟人类智力。由于智能的特征，它也被广泛使用。通用语音识别，图像识别，机器人技术，自然语言处理，智能搜索和专家系统。
机器学习是人工智能研究和使用的分支领域，其研究更加理论，目的是允许研究计算机具有学习知识的能力，以便机器学习可以得到结果并继续接近Target函数功能。理论上也有许多实用的机器学习，包括数据挖掘，计算机视觉，自然语言处理，生物学特征识别，搜索引擎，医疗诊断，信用卡欺诈的检测，证券市场分析，DNA序列，DNA序列，语音和手写识别等
深度学习首先出现在人工神经网络的研究中。它具有多层次的感知是深度学习的结构。它将通过组合的基本特征形成更抽象的高级别表示或特征。如果严格来说，人工智能与机器学习无关，但是当人工智能需要解决问题时，将使用机器学习的方法，因此，机器学习也可以说是人工智能的实施。深度学习是机器学习的方向。它是神经网络算法的导数。它通常用于图像，语言等。
随着计算机的快速开发，人工智能变得更热。
1.人工智能
人工智能，英语缩写是AI。它是计算机科学的一个分支。人工智能是对人类意识和思维的信息过程的模拟。人工智能不是系统。它可以在系统内部运行，使机器能够具有执行任务的逻辑能力。Artionical旨在创建可以像人类一样工作和反应的智能机器。
2.机器学习 - 一种实现人工智能的方法
机器学习（机械学习），机器学习可以定义为人工智能或人工智能的特定应用。在机器学习中，机器具有独立学习的能力，不需要明确编程。在真实时间方案中的数据。机器学习的最基本方法是使用算法来分析数据，从中学习，然后对现实世界中的事件做出决策和预测。与解决特定任务的传统软件程序一样，和硬编码，机器学习使用大量数据来“训练”，并学习如何通过各种算法从数据中完成任务。
3.深度学习 - 实现机器学习的技术
一种基于神经网络的学习方法。深度学习使机器学习能够实现许多应用并扩大人工智能的范围。
为了更好地理解，作者绘制了下面的图片以表达它们之间的关系。
人工智能包括机器学习和深度学习，机器学习包括深度学习。它们是子类别和父级之间的关系。
结论：以上是向所有人介绍的有关机器学习和人工智能的所有内容的所有内容。我希望这对每个人都会有所帮助。如果您仍然想了解有关此信息的更多信息，请记住收集并关注此网站。