人工智能、機器學習和深度學習的區別?

時間 2019-11-11

標籤人工智能機器學習深度區別简体版

原文原文鏈接

做者：育心
連接：https://www.zhihu.com/question/57770020/answer/249708509
來源：知乎
著做權歸做者全部。商業轉載請聯繫做者得到受權，非商業轉載請註明出處。
python

人工智能的浪潮正在席捲全球，諸多詞彙時刻縈繞在咱們耳邊：人工智能（Artificial Intelligence）、機器學習（Machine Learning）、深度學習（Deep Learning）。很多人對這些高頻詞彙的含義及其背後的關係老是似懂非懂、只知其一;不知其二。程序員

爲了幫助你們更好地理解人工智能，這篇文章用最簡單的語言解釋了這些詞彙的含義，理清它們之間的關係，但願對剛入門的同行有所幫助。算法

圖一人工智能的應用編程

人工智能：從概念提出到走向繁榮

1956年，幾個計算機科學家相聚在達特茅斯會議，提出了「人工智能」的概念，夢想着用當時剛剛出現的計算機來構造複雜的、擁有與人類智慧一樣本質特性的機器。其後，人工智能就一直縈繞於人們的腦海之中，並在科研實驗室中慢慢孵化。以後的幾十年，人工智能一直在兩極反轉，或被稱做人類文明耀眼將來的預言，或被當成技術瘋子的狂想扔到垃圾堆裏。直到2012年以前，這兩種聲音還在同時存在。網絡

2012年之後，得益於數據量的上漲、運算力的提高和機器學習新算法（深度學習）的出現，人工智能開始大爆發。據領英近日發佈的《全球AI領域人才報告》顯示，截至2017年一季度，基於領英平臺的全球AI（人工智能）領域技術人才數量超過190萬，僅國內人工智能人才缺口達到500多萬。架構

人工智能的研究領域也在不斷擴大，圖二展現了人工智能研究的各個分支，包括專家系統、機器學習、進化計算、模糊邏輯、計算機視覺、天然語言處理、推薦系統等。機器學習

圖二人工智能研究分支ide

但目前的科研工做都集中在弱人工智能這部分，並頗有但願在近期取得重大突破，電影裏的人工智能多半都是在描繪強人工智能，而這部分在目前的現實世界裏難以真正實現（一般將人工智能分爲弱人工智能和強人工智能，前者讓機器具有觀察和感知的能力，能夠作到必定程度的理解和推理，而強人工智能讓機器得到自適應能力，解決一些以前沒有遇到過的問題）。函數

弱人工智能有但願取得突破，是如何實現的，「智能」又從何而來呢？這主要歸功於一種實現人工智能的方法——機器學習。性能

機器學習：一種實現人工智能的方法

機器學習最基本的作法，是使用算法來解析數據、從中學習，而後對真實世界中的事件作出決策和預測。與傳統的爲解決特定任務、硬編碼的軟件程序不一樣，機器學習是用大量的數據來「訓練」，經過各類算法從數據中學習如何完成任務。

舉個簡單的例子，當咱們瀏覽網上商城時，常常會出現商品推薦的信息。這是商城根據你往期的購物記錄和冗長的收藏清單，識別出這其中哪些是你真正感興趣，而且願意購買的產品。這樣的決策模型，能夠幫助商城爲客戶提供建議並鼓勵產品消費。

機器學習直接來源於早期的人工智能領域，傳統的算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等等。從學習方法上來分，機器學習算法能夠分爲監督學習（如分類問題）、無監督學習（如聚類問題）、半監督學習、集成學習、深度學習和強化學習。

傳統的機器學習算法在指紋識別、基於Haar的人臉檢測、基於HoG特徵的物體檢測等領域的應用基本達到了商業化的要求或者特定場景的商業化水平，但每前進一步都異常艱難，直到深度學習算法的出現。

深度學習：一種實現機器學習的技術

深度學習原本並非一種獨立的學習方法，其自己也會用到有監督和無監督的學習方法來訓練深度神經網絡。但因爲近幾年該領域發展迅猛，一些特有的學習手段相繼被提出（如殘差網絡），所以愈來愈多的人將其單獨看做一種學習的方法。

最初的深度學習是利用深度神經網絡來解決特徵表達的一種學習過程。深度神經網絡自己並非一個全新的概念，可大體理解爲包含多個隱含層的神經網絡結構。爲了提升深層神經網絡的訓練效果，人們對神經元的鏈接方法和激活函數等方面作出相應的調整。其實有很多想法早年間也曾有過，但因爲當時訓練數據量不足、計算能力落後，所以最終的效果不盡如人意。

深度學習摧枯拉朽般地實現了各類任務，使得彷佛全部的機器輔助功能都變爲可能。無人駕駛汽車，預防性醫療保健，甚至是更好的電影推薦，都近在眼前，或者即將實現。

三者的區別和聯繫

機器學習是一種實現人工智能的方法，深度學習是一種實現機器學習的技術。咱們就用最簡單的方法——同心圓，可視化地展示出它們三者的關係。

圖三三者關係示意圖

目前，業界有一種錯誤的較爲廣泛的意識，即「深度學習最終可能會淘汰掉其餘全部機器學習算法」。這種意識的產生主要是由於，當下深度學習在計算機視覺、天然語言處理領域的應用遠超過傳統的機器學習方法，而且媒體對深度學習進行了大肆誇大的報道。

深度學習，做爲目前最熱的機器學習方法，但並不意味着是機器學習的終點。起碼目前存在如下問題：

1. 深度學習模型須要大量的訓練數據，才能展示出神奇的效果，但現實生活中每每會遇到小樣本問題，此時深度學習方法沒法入手，傳統的機器學習方法就能夠處理；

2. 有些領域，採用傳統的簡單的機器學習方法，能夠很好地解決了，不必非得用複雜的深度學習方法；

3. 深度學習的思想，來源於人腦的啓發，但毫不是人腦的模擬，舉個例子，給一個三四歲的小孩看一輛自行車以後，再見到哪怕外觀徹底不一樣的自行車，小孩也十有八九能作出那是一輛自行車的判斷，也就是說，人類的學習過程每每不須要大規模的訓練數據，而如今的深度學習方法顯然不是對人腦的模擬。

深度學習大佬 Yoshua Bengio 在 Quora 上回答一個相似的問題時，有一段話講得特別好，這裏引用一下，以回答上述問題：

Science is NOT a battle, it is a collaboration. We all build on each other's ideas. Science is an act of love, not war. Love for the beauty in the world that surrounds us and love to share and build something together. That makes science a highly satisfying activity, emotionally speaking!

這段話的大體意思是，科學不是戰爭而是合做，任何學科的發展歷來都不是一條路走到黑，而是同行之間互相學習、互相借鑑、博採衆長、相得益彰，站在巨人的肩膀上不斷前行。機器學習的研究也是同樣，你死我活那是邪教，開放包容纔是正道。

結合機器學習2000年以來的發展，再來看Bengio的這段話，深有感觸。進入21世紀，縱觀機器學習發展歷程，研究熱點能夠簡單總結爲2000-2006年的流形學習、2006年-2011年的稀疏學習、2012年至今的深度學習。將來哪一種機器學習算法會成爲熱點呢？深度學習三大巨頭之一吳恩達曾表示，「在繼深度學習以後，遷移學習將引領下一波機器學習技術」。但最終機器學習的下一個熱點是什麼，誰又能說得準呢。

編輯於 2017-12-27

29918 條評論

收藏感謝收起

阿里云云棲社區

用戶標識1

已認證的官方賬號

39 人贊同了該回答

人工智能並非一個新的術語，它已經有幾十年的歷史了，大約從80年代初開始，計算機科學家們開始設計能夠學習和模仿人類行爲的算法。

在算法方面，最重要的算法是神經網絡，因爲過擬合而不是很成功（模型太強大，但數據不足）。儘管如此，在一些更具體的任務中，使用數據來適應功能的想法已經取得了顯着的成功，而且這也構成了當今機器學習的基礎。

在模仿方面，人工智能專一於圖像識別，語音識別和天然語言處理。人工智能專家們花費了大量的時間來建立諸如邊緣檢測，顏色配置文件，N-gram，語法樹等。不過，這些進步還不足以達到咱們的需求。

傳統的機器學習：

機器學習（ML）技術在預測中發揮了重要的做用，ML經歷了多代的發展，造成了具備豐富的模型結構，例如：

1.線性迴歸。

2.邏輯迴歸。

3.決策樹。

4.支持向量機。

5.貝葉斯模型。

6.正則化模型。

7.模型集成（ensemble）。

8.神經網絡。

這些預測模型中的每個都基於特定的算法結構，參數都是可調的。訓練預測模型涉及如下步驟：

1. 選擇一個模型結構（例如邏輯迴歸，隨機森林等）。

2. 用訓練數據（輸入和輸出）輸入模型。

3. 學習算法將輸出最優模型（即具備使訓練錯誤最小化的特定參數的模型）。

每種模式都有本身的特色，在一些任務中表現不錯，但在其餘方面表現不佳。但總的來講，咱們能夠把它們分紅低功耗（簡單）模型和高功耗（複雜）模型。選擇不一樣的模型是一個很是棘手的問題。

因爲如下緣由，使用低功率/簡單模型是優於使用高功率/複雜模型：

在咱們擁有強大的處理能力以前，訓練高功率模型將須要很長的時間。
在咱們擁有大量數據以前，訓練高功率模型會致使過分擬合問題（由於高功率模型具備豐富的參數而且能夠適應普遍的數據形狀，因此咱們最終可能訓練一個適合於特定到當前的訓練數據，而不是推廣到足以對將來的數據作好預測）。

然而，選擇一個低功率的模型會遇到所謂的「欠擬合」的問題，模型結構太簡單，若是它複雜，就沒法適應訓練數據。（想象一下，基礎數據有一個二次方關係：y = 5 * x ^ 2;你沒法適應線性迴歸：y = a * x + b，無論咱們選擇什麼樣的a和b。

爲了緩解「不適合的問題」，數據科學家一般會運用他們的「領域知識」來提出「輸入特徵」，這與輸出關係更爲直接。（例如，返回二次關係y = 5 * square（x），若是建立了一個特徵z = x ^ 2，則能夠擬合線性迴歸：y = a * z + b，經過選擇a = 5和b = 0）。

機器學習的主要障礙是特徵工程這個步驟，這須要領域專家在進入訓練過程以前就要找到很是重要的特徵。特徵工程步驟是要靠手動完成的，並且須要大量領域專業知識，所以它成爲當今大多數機器學習任務的主要瓶頸。

換句話說，若是咱們沒有足夠的處理能力和足夠的數據，那麼咱們必須使用低功耗/更簡單的模型，這就須要咱們花費大量的時間和精力來建立合適的輸入特徵。這是大多數數據科學家今天花時間去作的地方。

神經網絡的迴歸：

在大數據時代，雲計算和大規模並行處理基礎架構的共同發展，使得機器處理能力在二十一世紀初獲得了極大的提高。咱們再也不侷限於低功耗/簡單的模型。例如，當今最流行的兩種主流機器學習模型是隨機森林和梯度提高樹。儘管如此，二者都很是強大，而且提供了非線性模型擬合的訓練數據，但數據科學家仍然須要仔細地建立特徵以得到良好的性能。

與此同時，計算機科學家從新使用神經網絡的許多層來完成這些人類模仿的任務。這給DNN（深度神經網絡）帶來了新的生機，並在圖像分類和語音識別任務方面提供了重大突破。DNN的主要區別在於，你能夠將原始信號（例如RGB像素值）直接輸入DNN，而不須要建立任何域特定的輸入功能。經過多層神經元（這就是爲何它被稱爲「深度」神經網絡），DNN能夠「自動」經過每一層產生適當的特徵，最後提供一個很是好的預測。這極大地消除了尋找「特徵工程」的麻煩，這是數據科學家們最喜歡看到的。

DNN也演變成許多不一樣的網絡拓撲結構，因此有CNN（卷積神經網絡），RNN（遞歸神經網絡），LSTM（長期短時間記憶），GAN（生成敵對網絡），轉移學習，注意模型（attention model）全部的這些被統稱爲深度學習（Deep Learning），它正在引發整個機器學習界的關注。

強化學習：

另外一個關鍵組成部分是關於如何模仿一我的（或動物）的學習，設想感知/行爲/獎勵循環的很是天然的動物行爲。一我的或者一個動物首先會經過感知他或者她所處的狀態來了解環境。在此基礎上，他或者她會選擇一個「動做」，將他或者她帶到另外一個「狀態」。那麼他或她將得到「獎勵」，循環重複，直到他或她消失。這種學習方式（稱爲強化學習）與傳統監督機器學習的曲線擬合方法有很大不一樣。尤爲是，強化學習學習得很是快，由於每個新的反饋（例如執行一個行動並得到獎勵）都被當即發送到影響隨後的決定。

強化學習也提供了預測和優化的平滑整合，由於它在採起不一樣的行動時保持當前狀態的信念和可能的轉換機率，而後作出決定哪些行動能夠致使最佳結果。

深度學習+強化學習= AI

與經典的ML技術相比，DL提供了一個更強大的預測模型，一般能夠產生良好的預測結果。與經典優化模型相比，強化學習提供了更快的學習機制，而且更適應環境的變化。

機器學習 vs 深度學習

在深度探討machine learning和data science的聯繫以前，這裏簡要地討論一下machine learning 和deep learning。machine learning是一套算法，來訓練數據集作預測或者採起行動以使得系統最優化。舉例來講，supervised classification algorithms被用來根據歷史數據將想要貸款的客戶分紅預期好的和預期差的(good or bad prospects)。對於給定的任務(好比監督聚類)，須要的技術多種多樣：naive Bayes、SVM、neural nets、ensembles、association rules、decision trees、logistic regression，或者是不少技術的組合。全部這些都是數據科學的子集。當這些算法自動化後，好比無人駕駛飛機或者無人駕駛汽車，這就叫AI了，或者說的具體一點，deep learning。若是採集的數據來自傳感器而且經過互聯網傳播，那麼這就是機器學習或數據科學或深度學習應用於物聯網了。

有些人對深度學習有不一樣的定義，他們認爲深度學習是更深層次的神經網絡(一種機器學習的技術)。AI(Artificial Intelligence)是建立於20世紀60年代的計算機科學的一個子領域，是關於解決那些對人類來說很是容易可是對計算機而言很難的任務。值得一提的是，所謂的strong AI可能能夠作全部人類能夠作的事情(可能除了純粹的物理問題)。這是至關普遍的，包括各類各樣的事情，好比作計劃，在世界上處處溜達，識別物體和聲音，說話，翻譯，社交或者商業交易，還有創造性工做(好比寫詩畫畫)等等。

NLP(Natural language processing)只是AI要處理的語言部分，尤爲是寫。

Machine learning是這樣的一種狀況：給出一些能夠被以離散形式描述的AI問題(好比從一系列動做中選出對的那個)，而後給定一堆外部世界的信息，在不須要程序員手動寫程序的狀況下選出那個「正確的」行爲。一般狀況須要藉助外界的一些過程來判斷這個動做對不對。在數學上，這就是函數：你給一些輸入，而後你想要他處理一下獲得正確的輸出，因此整個問題就簡化爲用一些自動的方式創建這種數學函數模型。和AI區分一下：若是我寫了一段特別機智的程序有着人類的行爲，那這就能夠是AI，可是除非它的參量都是自動從數據中學會的，不然就不是機器學習。

Deep learning是當下很是流行的機器學習的一種。它包含一種特殊的數學模型，能夠想成是一種特定類型的簡單塊的組合(或者說是塊的功能的組合)，這些塊能夠進行調整來更好的預測最終結果。

原文：http://click.aliyun.com/m/44042/

更多技術乾貨敬請關注雲棲社區知乎機構號：阿里云云棲社區 - 知乎

發佈於 2018-03-19

395 條評論

收藏感謝收起

Wayne Wang

NLP AI ML DM

10 人贊同了該回答

來自微博愛可可老師的轉載。

發佈於 2017-03-30

10添加評論

收藏感謝

猿Sir

13 人贊同了該回答

《人工智能狂潮：機器人會超越人類嗎？》

來自日本學習的科普書，內容很是淺顯及時，甚至包含了最近深度學習的發展介紹。惟一的不足之處就是翻譯標題太惡俗了。

發佈於 2017-03-29

132 條評論

收藏感謝

KnowingAI知智

已認證的官方賬號

7 人贊同了該回答

看了你們的答案決定簡答一波～一張圖終結該問題（呸）！

人工智能指由人類製造出的機器表現出的智能。這是一個很是大的範圍，長遠目標是讓機器實現類人智能。不過目前咱們還在很是很是初級的階段，甚至都不能稱爲智能。

機器學習是指經過數據訓練出能完成必定功能的模型，是實現人工智能的手段之一，也是目前最主流的人工智能實現方法。

深度學習則是機器學習的分支。深度即層數，超過 8 層的神經網絡模型就叫深度學習——目前在語音、圖像等領域取得了很好的效果。

因此三者之間是從大到小的包含關係～

書籍的話想要入門不須要太多，2 本書便可——

一、周志華教授的《機器學習》，著名的「西瓜書」，【文科生也不用懼怕的機器學習專業書】！

或者李航教授的《統計學習方法》，特色是簡潔高效、深刻淺出，很是優美～但文科生入門大概不太行。

可根據本身的狀況任選其一。

二、Ian Goodfellow、Yoshua Bengio、Aaron Courville 合著的《深度學習》，去年 8 月出了中文版，條理清晰，不論有沒有基礎均可以根據狀況，選擇適合本身的章節閱讀。

若是對人工智能的學科背景及應用方向感興趣，推薦輕鬆有趣的《漫談人工智能》，編著這本書的集智俱樂部中有有好幾位都是人工智能行業的創業者。從基礎科普到天然語言處理、羣集智能、天氣預測應有盡有，是一本【至關有誠意的人工智能類科普讀物】。

以上就是咱們的答案和推薦，並感謝你看到這裏(●°u°●) 」

咱們會不按期奉上輕鬆有趣的科普視頻，

及解讀人工智能行業、歷史的深度文章，

歡迎關注！

編輯於 2018-03-22

7添加評論

收藏感謝收起

語非

不想當廚師的教練不是好的數據愛好者

12 人贊同了該回答

什麼是人工智能？它和神經網絡、機器學習、深度學習、數據挖掘這類熱門詞彙有什麼關係？撇開復雜的概念和高冷的定義，一圖看懂人工智能相關領域的錯綜複雜的關係。

»由圖可見，人工智能、機器學習、深度學習並不是是層層包含的關係，而最近火熱的神經網絡也只是與人工智能有交叉而非人工智能的實現方式或者子集。

»在谷歌趨勢上搜索人工智能、大數據、機器學習、深度學習的中英文能夠比對不一樣的關注走向。

»人工智能和大數據此消彼長，早在2004年人工智能就受到中英文領域的雙重關注。在2006-2007年人工智能中文搜索開始降低，大數據的概念開始火過於人工智能。

»在英文搜索領域，大數據的浪潮直到2012年後纔開始超過中文領域。 »深度學習在中文領域的搜索熱度，一度在2009年和人工智能齊平。相反在英文領域，深度學習的搜索關注度直到2013年後纔開始逐步提高。

發佈於 2017-05-22

121 條評論

收藏感謝

匿名用戶

12 人贊同了該回答

【決勝AI】人工智能與深度學習實戰課程（深度學習機器學習人工智能 python 數據分析數據挖掘 Tensorflow Caffe）

網盤地址：https://pan.baidu.com/s/1i65aU4P 密碼: a4k6

網盤地址：https://pan.baidu.com/s/1smhJZPF 密碼: vqwp

發佈於 2018-01-15

121 條評論

收藏感謝

老歲月

什麼都喜歡涉獵一點

8 人贊同了該回答

簡要說明一下人工智能（AI）、機器學習（ML）和深度學習（DL）分別是什麼意思以及它們的不一樣點。

AI，ML和DL有什麼區別？

人工智能由John McCarthy於1956年創立，它是可以執行人類智能特徵的機器。包括機器人、語言識別、圖像識別、天然語言處理和專家系統等。

能夠將AI分爲兩類，廣義和狹義。General AI將具備人類智慧的全部特徵，包括上述能力。狹義的AI展現了人類智慧的某些方面，而且將某些方面作到最好，但在其餘領域卻沒法適用。舉個狹義人工智能的一個例子，好比一臺很高端的識別圖像的機器，沒有別的功能。

機器學習的核心是簡單的實現AI的方式

在AI創造後的不久，Arthur Samuel在1959年，將它定義爲「沒有明確編程的學習能力」，能夠在不使用機器學習的狀況下得到AI ，可是這須要創建數百萬行具備複雜規則和決策樹的代碼。

舉個例子，機器學習已經被用來大大改進計算機視覺（機器識別圖像或視頻中的對象的能力）。你收集數十萬甚至數百萬張圖片，而後讓人標記他們。例如，人類可能會將其中有一隻貓的圖片與那些沒有貓的圖片進行標記。而後，該算法嘗試創建一個模型，能夠準確地將圖片標記爲包含貓或不包括貓。一旦準確度水平足夠高，表明機器已經「學習」瞭如何識別一隻貓的樣子。

深度學習是機器學習的許多方法之一，其餘方法包括決策樹學習、概括邏輯程序設計、聚類、強化學習和貝葉斯網絡等。

深度學習的靈感來自於大腦的結構和功能，即許多神經元的互連。人工神經網絡（ANN）是模擬大腦生物學結構的算法。

在ANN中，「神經元」具備離散的層和與其餘「神經元」的鏈接。每一個層選出要學習的特定功能，例如圖像識別中的曲線/邊。正是這種分層賦予了深度學習的名稱，深度是經過使用多層而不是單層來建立的。

AI和IoT是密不可分的

我認爲AI和IoT之間的關係很像人腦與身體之間的關係。

咱們的身體收集感官輸入，如視力，聲音和觸覺。大腦接受這些數據，並將其理解，將光轉換成可識別的對象，並將聲音轉化爲可理解的語音。大腦隨後做出決定，將信號發回身體，以指揮運動，例如拾起物體或說話。

全部構成物聯網的鏈接傳感器就像咱們的身體，它們提供了世界上發生的事情的原始數據。人工智能就像咱們的大腦，理解這些數據，並決定採起什麼行動。而物聯網的鏈接設備又像咱們的身體，進行身體動做或與他人交流。

機器學習（ML）和深度學習（DL）近年來的發展致使了AI的巨大飛躍。如上所述，機器學習和深度學習須要大量的數據來工做，而這些數據正被數十億的傳感器收集到，這些傳感器將繼續在物聯網中聯機。物聯網會創造更好的人工智能。

改善人工智能也將推進物聯網的發展，創造一個良性循環，在這兩個領域將大大加速其發展。

在工業方面，人工智能能夠應用於預測機器什麼時候須要維護或分析製造過程，以提升效率，從而節省數百萬美圓。
在消費者方面，能夠經過語音簡單地向機器詢問咱們須要什麼，而不是點擊、打字和搜索。好比會詢問一些天氣信息，或是睡覺前的準備（鎖門、關燈等等）。

固然，人工智能對咱們社會和將來的影響會產生一些擔心。

編輯於 2017-09-10

81 條評論

收藏感謝收起

戴一波

關注移動互聯網

8 人贊同了該回答

人工智能：爲機器賦予人的智能

機器學習：一種實現人工智能的方法

深度學習：一種實現機器學習的技術

人工神經網絡：一種機器學習的算法

傳送門：人工智能、機器學習、深度學習和人工神經網絡

發佈於 2017-12-04

8添加評論

收藏感謝

猿助猿

互幫互助，猿助猿！

6 人贊同了該回答

求大神們，可否給個學習的路線或者書單，菜鳥路過

發佈於 2017-03-29

63 條評論

收藏感謝

猿助猿

猿助猿(www.dadio.xyz)開發者進階互助圈，全球領先的在線編程測評平臺

2 人贊同了該回答

人工智能包括機器學習，機器學習包括深度學習。

發佈於 2017-03-29

2添加評論

收藏感謝

小亦

碎末一語，誰知天命。

1 人贊同了該回答

人工智能是最普遍的定義了，機器學習和深度學習都是 AI 的實現手段。

人工智能的核心是「代理（Agent）」，你打 10086 語音助理同樣給你辦理業務也是一種 AI，你去電腦上下象棋也是 AI，你去點個外賣美團給你推送好吃的也是 AI。

機器學習涵蓋了一整套被數學證實過的方法，主要是迴歸和聚類（預測和歸類）兩種類別的算法。

深度學習也是一種實現 AI 的算法，目前比較熱門，但數學證實不少地方仍是個謎，雖然用起來後看到跑出來的結果很爽。

------------

書籍，核心就一本，咱們以前的教材《人工智能 —— 一種現代的方法》：

人工智能 (豆瓣)book.douban.com

這是中文版，建議閱讀英文原版，理解上可能會直觀不少。

咱們那版封面不是這樣的，無傷大雅，好好學習。

發佈於 2018-03-20

1添加評論

收藏感謝

大白是我

互聯網

1 人贊同了該回答

人工智能是計算機科學的一個子領域，創造於 20 世紀 60 年代，它涉及到解決對人類而言簡單卻對計算機很難的任務。詳細來講，所謂的強人工智能系統應該是能作人類所能作的任何事。這是至關通用的，包含全部的任務，好比規劃、處處移動、識別物體與聲音、說話、翻譯、完成社會或商業事務、創造性的工做（繪畫、做詩）等。天然語言處理只是人工智能與語言有關的一部分。

機器學習被認爲是人工智能的一方面：給定一些可用離散術語（例如，在一些行爲中，那個行爲是正確的）描述的人工智能問題，並給出關於這個世界的大量信息，在沒有程序員進行編程的狀況下弄清楚「正確」的行爲。典型的是，須要一些外部流程判斷行爲是否正確。在數學術語中，也就是函數：饋入輸入，產生正確的輸出。因此整個問題就是以自動化的方式創建該數學函數的模型。在兩者進行區分時：若是我寫出的程序聰明到表現出人類行爲，它就是人工智能。但若是它的參數不是自動從數據進行學習，它就不是機器學習。

　深度學習是現在很是流行的一種機器學習。它涉及到一種特殊類型的數學模型，可認爲它是特定類型的簡單模塊的結合（函數結合），這些模塊可被調整從而更好的預測最終輸出。

更多人工智能資訊關注AI垂直媒體：智能玩咖（VRdaxue）！

發佈於 2017-05-05

1添加評論

收藏感謝

匿名用戶

深度學習其實就是神經網絡，是一種機器學習算法，機器學習是實現人工智能的一種手段。

書單不推薦，看sklearn、tensorflow文檔便可。

發佈於 2018-03-19

0添加評論

收藏感謝

知乎用戶