機器學習是一種實現人工智慧的方法，深度學習是一種實現機器學習的技術。我們就用最簡單的方法——同心圓，視覺化地展現出它們三者的關係。

明白了麼？

人工智慧機器學習和深度學習之間的區別： 查閱資料，初步可以理解為

人工智慧：機器展現的人類智慧

機器學習：實現人工智慧的一種方法

深度學習：實現機器學習的一種技術

深度學習：賦矛人工智慧美好的

從邏輯上來看，人工智慧包含機器學習，機器學習包含深度學習，屬於整個體系中的一個垂直領域，就拿最簡單的機器人來說，機器學習可以向機器人普及日常活動中的一些技能，而深度學習就可以讓機器人幹某個特定工作，和人來對比有點高中和大學的區別，而人工智慧就有點像教育機構，需要賦予機器人靈魂；

人工智慧：

人工智慧（ArtificialIntelligence），英文縮寫為AI。是計算機科學的一個分支。人工智慧是對人的意識、思維的資訊過程的模擬。人工智慧不是人的智慧，但能像人那樣思考、也可能超過人的智慧。數學常被認為是多種學科的基礎科學，數學也進入語言、思維領域，人工智慧學科也必須借用數學工具。

人工智慧實際應用：機器視覺，指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統，自動規劃，智慧搜尋，定理證明，博弈，自動程式設計，智慧控制，機器人學，語言和影象理解，遺傳程式設計等。人工智慧目前也分為：強人工智慧(BOTTOM-UPAI)和弱人工智慧(TOP-DOWNAI)，有興趣大家可以自行檢視下區別。

機器學習：

機器學習(MachineLearning,ML)，是人工智慧的核心，屬於人工智慧的一個分支。機器學習理論主要是設計和分析一些讓計算機可以自動“學習”的演算法。機器學習演算法是一類從資料中自動分析獲得規律，並利用規律對未知資料進行預測的演算法。所以機器學習的核心就是資料，演算法（模型），算力（計算機運算能力）。機器學習應用領域十分廣泛，例如：資料探勘、資料分類、計算機視覺、自然語言處理(NLP)、生物特徵識別、搜尋引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰略遊戲和機器人運用等。

機器學習就是設計一個演算法模型來處理資料，輸出我們想要的結果，我們可以針對演算法模型進行不斷的調優，形成更準確的資料處理能力。但這種學習不會讓機器產生意識。

深度學習：

深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習透過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分散式特徵表示。

深度學習的概念由Hinton等人於2006年提出。基於深信度網(DBN)提出非監督貪心逐層訓練演算法，為解決深層結構相關的最佳化難題帶來希望，隨後提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網路是第一個真正多層結構學習演算法，它利用空間相對關係減少引數數目以提高訓練效能。

深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋資料，例如影象，聲音和文字。

同機器學習方法一樣，深度機器學習方法也有監督學習與無監督學習之分．不同的學習框架下建立的學習模型很是不同．例如，卷積神經網路（Convolutional neural networks，簡稱CNNs）就是一種深度的監督學習下的機器學習模型，而深度置信網（Deep Belief Nets，簡稱DBNs）就是一種無監督學習下的機器學習模型。

深度不足會出現問題

在許多情形中深度2就足夠表示任何一個帶有給定目標精度的函式。但是其代價是：圖中所需要的節點數(比如計算和引數數量)可能變的非常大。理論結果證實那些事實上所需要的節點數隨著輸入的大小指數增長的函式族是存在的。

我們可以將深度架構看做一種因子分解。大部分隨機選擇的函式不能被有效地表示，無論是用深的或者淺的架構。但是許多能夠有效地被深度架構表示的卻不能被用淺的架構高效表示。一個緊的和深度的表示的存在意味著在潛在的可被表示的函式中存在某種結構。如果不存在任何結構，那將不可能很好地泛化。

大腦有一個深度架構

例如，視覺皮質得到了很好的研究，並顯示出一系列的區域，在每一個這種區域中包含一個輸入的表示和從一個到另一個的訊號流(這裡忽略了在一些層次並行路徑上的關聯，因此更復雜)。這個特徵層次的每一層表示在一個不同的抽象層上的輸入，並在層次的更上層有著更多的抽象特徵，他們根據低層特徵定義。

需要注意的是大腦中的表示是在中間緊密分佈並且純區域性：他們是稀疏的：1%的神經元是同時活動的。給定大量的神經元，仍然有一個非常高效地(指數級高效)表示。

認知過程逐層進行，逐步抽象

人類層次化地組織思想和概念；

人類首先學習簡單的概念，然後用他們去表示更抽象的；

工程師將任務分解成多個抽象層次去處理；

學習/發現這些概念(知識工程由於沒有反省而失敗？)是很美好的。對語言可表達的概念的反省也建議我們一個稀疏的表示：僅所有可能單詞/概念中的一個小的部分是可被應用到一個特別的輸入(一個視覺場景)。

核心思想

把學習結構看作一個網路，則深度學習的核心思路如下：

①無監督學習用於每一層網路的pre-train；

②每次用無監督學習只訓練一層，將其訓練結果作為其高一層的輸入；

這三者是人工智慧學科逐步發展的過程，也是人類認識發展的過程。

人們將帶智慧的裝置使用的技術統稱為人工智慧技術，後來發現類人的機器很難造出來，先要解決機器如何學習的問題，發展出機器學習研究方向，能解決一部分智慧問題，由於收到計算能力的限制，智慧水平不高，隨著計算能力的提升，科學家發現使用多層神經網路的演算法在有些方面智慧提升很快，這就是深度學習。

人工智慧還沒有明確的定義。美國斯坦福大學人工智慧研究中心的尼爾遜教授對人工智慧的定義是：“人工智慧是關於知識的學科，是一個怎樣表示知識，怎樣獲得知識和使用知識的科學。”美國麻省理工學院的溫斯頓教授認為：“人工智慧是研究如何使計算機去做過去只有人才能做的智慧工作。”這些說法反映了人工智慧學科的基本思想和基本內容。即，人工智慧是研究人類智慧活動規律，構造具有一定智慧的人工系統，研究如何讓計算機去完成以往需要人的智力才能勝任的工作，也就是研究如何應用計算機模擬人類某些智慧行為的基本理論、方法和技術。

從概念上說，人工智慧可分為強人工智慧和弱人工智慧。強人工智慧側重於思維能力，機器不僅是一種工具，而且擁有知覺和自我意識，能真正的推理和解決問題。弱人工智慧指機器具備表象性的智慧特徵，包括像人一樣思考、像人一樣感知環境以及像人一樣行動。賽迪顧問認為，人工智慧應具備“3C特性”：理解力、溝通力、協同力。即透過模擬人類思維模式實現對外界資訊理解；透過語音、視覺等實現與外界溝通；透過行動控制實現人機協同工作。

人工智慧涉及計算機科學、心理學、哲學和語言學等多個學科，可以說幾乎涉及自然科學和社會科學的所有學科，其範圍已遠遠超出了計算機科學的範疇。人工智慧與思維科學的關係是實踐和理論的關係，人工智慧位於思維科學的技術應用層次，是它的一個應用分支。從思維觀點看，人工智慧不僅限於邏輯思維，還要考慮形象思維、靈感思維才能促進人工智慧的突破性的發展。

機器學習是人工智慧的一個子集。機器學習是一個多領域交叉學科，涉及機率論、統計學、逼近論、凸分析、演算法複雜度理論等。它研究計算機怎樣模擬或實現人類的學習行為，獲取新的知識或技能，重新組織已有的知識結構，不斷改善自身的效能。機器學習是人工智慧的核心，是使計算機具有智慧的根本途徑，其應用遍及人工智慧的各個領域。

機器學習演算法中最關鍵的是深度學習。深度學習源於人工神經網路，包括多個隱含層的多層感知器就是一種深度學習結構。

據生物學結論，人腦神經細胞數量大約在10的11次方。這些神經細胞之間透過突觸（軸突和樹突）相連。通俗的講，神經細胞把所有突觸傳進來的訊號相加，如果訊號的加和超過或低於某個閥值，其細胞狀態就會變為興奮或抑制。整個大腦的神經細胞狀態各異，從而表現出不同的大腦行為。

深度學習最好的表現是深度神經網路（DNN）。深度神經網路只是一個超過兩層或三層的神經網路。然而，深度神經網路並不是深度學習演算法的唯一型別，但它是最流行的型別。另一個深度學習演算法是深度信任網路（DBN），與傳統的判別模型的神經網路相對，深度信念網路是一個機率生成模型，多個限制玻爾茲曼機(Restricted Botlzmann Machine，RBM)組成多隱含層神經網路，建立了一個觀察資料和標籤之間的聯合分佈。透過RBM逐層堆疊，DBN可從原始資料中逐層提取特徵，從而獲得一些高層次表達，其核心是用逐層貪婪學習演算法最佳化深度神經網路的連線權重。

深度學習透過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分散式特徵。

人工智慧是當今社會家喻戶曉的名詞，可能大家都有些曲解，感覺掛上人工智慧幾個字就感覺高大上。

1.人工智慧：所有透過人為設定，機器可以實現功能的都叫人工智慧。比如我們現在智慧家居，手機等等都屬於人工智慧。

2.機器學習：研究人員透過程式演算法，使機器具有相同特徵的檢測以及使用能有很好的結果。比如工業相機拍照檢測物體表面，程式只有一類，剩下的就是機器內部的對比學習，使檢測的結果符合生產需求。在機器學習過程中需要人為程式中獲取物理、化學、高數等等方法去解決問題，結構化的學習交叉學科，簡化學習方法，處理問題更高效快捷。

3.深度學習：在機器學習的基礎上人們希望機械在深度學習過程中能像人大腦一樣進行思考，透過人工神經網路搭建使機器學習能更快的解決問題，深度學習領域屬於人工智慧技術應用高階領域。需要有很好的學科基礎。

我們平時說的人工智慧是統稱，包括人工智慧技術和產品。簡單說就是透過模擬人工來實現某種的功能。

機器學習，就是透過軟體/工具，讓機器來自動學習，然後能達到我們期望的智慧水準。

深度學習，是讓機器學習更深入的學習，包括智慧判斷、推演等等，只有機器能進行深度學習，機器智慧才能慢慢達到我們的要求。是機器學習實現的一種技術。

舉個例子：

一臺智慧電視，這個我們可以稱之為人工智慧。

電視透過深度學習（這個需要大資料量）來形成針對不同使用者的機器學習成果項，來判斷使用者習慣和需求----機器學習完成。

例如，透過人臉識別，判斷是使用者A開機，然後分析結果得到A在週一比較疲憊，需要放鬆類節目，電視自動推薦並播放娛樂節目。

人工智慧意味著讓電腦以某種方式模仿人類的行為。

機器學習是人工智慧的一個子集，它是由一系列的技術組成，這些技術使計算機能夠從資料中找出問題並交付人工智慧應用程式。

深度學習是機器學習的一個子集，它使計算機能夠解決更復雜的問題。

關注優就業，學習更多IT知識。

人工智慧、機器學習、深度學習三者之間的關係？

有人說，人工智慧（AI）是未來，人工智慧是科幻，人工智慧也是我們日常生活中的一部分。事實上，這些說法都是正確的，這一切都取決於你所指的是哪一種人工智慧。

例如，此前Google DeepMind的AlphaGo打敗了韓國的圍棋大師李世乭九段。在媒體描述DeepMind勝利的時候，就曾將人工智慧（AI）、機器學習（Machine Learning）和深度學習（Deep Learning）都提到了。這三者在AlphaGo擊敗李世乭的過程中都起了作用，但它們說的並不是一回事。

要解釋這三者之間的關係和應用，最簡單的方法就是畫一個同心圓，如下圖，人工智慧是最早出現的，也是最大、最外側的同心圓；其次是機器學習，稍晚一點；最內側，是深度學習，也是當今人工智慧大爆炸的核心驅動。

從概念的提出到走向繁榮

1956年，幾位計算機科學家相聚在達特茅斯會議（Dartmouth Conferences），提出了“人工智慧”的概念。其後，人工智慧就一直縈繞在人們的腦海之中，並在科研實驗室中慢慢孵化成形。在之後的幾十年，人工智慧一直在不停地兩極反轉，既有人把其稱作人類文明耀眼的未來；也有人把其當做是技術瘋子們的妄想，嗤之以鼻。坦白說，直到2012年之前，這兩種聲音都還同時存在。

過去幾年，尤其是自2015年以來，人工智慧開始大爆發。很大一部分原因是由於GPU的廣泛應用，使得平行計算變得更快、更便宜、更有效。當然，無限拓展的儲存能力和驟然爆發的資料洪流（大資料），也使得影象資料、文字資料、交易資料、對映資料全面海量爆發。

讓我們慢慢梳理一下計算機科學家們是如何將人工智慧從最早的一點點星星之火，發展到能夠支撐那些每天被數億使用者使用的實際應用的。

人工智慧（Artificial Intelligence）——為機器賦予人的智慧

King me：扮演跳棋玩家的計算機程式，是最早的人工智慧例項之一，在20世紀50年代激起了人工智慧的早期浪潮。

早在1956年夏天的那次會議上，人工智慧的先驅們就夢想著用當時剛剛出現的計算機來構造複雜的、擁有與人類智慧同樣本質特性的機器，既我們所謂的“強人工智慧”（General AI）。這是一個無所不能的機器，它有著我們所有的感知（甚至比人更多），以及我們所有的理性，可以像我們一樣思考。人們在電影裡也總是看到這樣的機器人：像星球大戰中友好的C-3PO；或者是邪惡的終結者。強人工智慧目前還僅存在於電影和科幻小說中，原因很簡單，因為我們還沒法實現它們，至少目前還不行。

我們目前能實現的，一般被稱為“弱人工智慧”（Narrow AI）。弱人工智慧是能夠與人一樣，甚至比人更好地執行特定任務的技術。例如，Pinterest上的影象分類；或者Facebook的人臉識別。

這些都是弱人工智慧在實踐中的例子。這些技術實現了人類智慧中某些特定部分。但它們是如何實現的？這種智慧是從何而來？其答案就是同心圓中的第二層，機器學習。

機器學習—— 一種實現人工智慧的方法

Spam free diet：機器學習能夠幫助你的收件箱（相對地）擺脫垃圾郵件的困擾。

機器學習最基本的做法，是使用演算法來解析資料、從中學習，然後對真實世界中的事件做出決策和預測。與傳統的為解決特定任務的人工編碼程式不同，機器學習是用大量的資料來“訓練”，透過各種演算法從資料中學習如何完成任務。

機器學習最成功的應用領域是計算機視覺，雖然也還是需要大量的手工編碼來完成工作。人們需要手工編寫分類器、邊緣檢測濾波器，以便讓程式能識別物體從哪裡開始，到哪裡結束；寫形狀檢測程式來判斷檢測物件是不是有八條邊；寫分類器來識別字母“S-T-O-P”。使用以上這些手工編寫的分類器，人們總算可以開發演算法來感知影象，判斷影象是不是一個停止標誌牌。

這個結果還算不錯，但還算不上是那種能讓人為之一振的成功，特別是遇到雲霧天，標誌牌變得不是那麼清晰可見，又或者被樹遮擋一部分，演算法就難以成功了。這也是為什麼此前很長一段時間中，計算機視覺的效能一直無法接近到人類的水平。它太僵化，並且太容易出現錯誤。

隨著時間的推進，學習演算法的發展改變了一切。

深度學習——一種實現機器學習的技術

Herding cats：從YouTube影片中挑選貓的影象是深度學習的第一個突破性演示之一。

人工神經網路（Artificial Neural Networks）是早期機器學習中的一個重要的演算法，歷經了數十年的推演。神經網路的原理是受我們大腦的生理結構——互相交叉相連的神經元啟發。但與大腦中一個神經元可以連線一定距離內的任意神經元不同，人工神經網路具有離散的層、連線和資料傳播的方向。

例如，我們可以把一幅影象切分成影象塊，輸入到神經網路的第一層。在第一層的每一個神經元都把資料傳遞到第二層。第二層的神經元也是完成類似的工作，把資料傳遞到第三層，以此類推，直到最後一層，然後生成結果。

每一個神經元都為它的輸入分配權重，這個權重的正確與否與其執行的任務直接相關。最終的輸出由這些權重加權決定。

我們仍以停止（Stop）標誌牌為例。將一個停止標誌牌影象的所有元素都打碎，然後用神經元進行“檢查”：八邊形的外形、救火車一樣的紅顏色、鮮明的字母、交通標誌的典型尺寸和靜止不動運動特性等等。神經網路的任務就是給出結論，它到底是不是一個停止標誌牌。神經網路會根據所有權重，給出一個經過深思熟慮的猜測——“機率向量”。

這個例子裡，系統可能會給出這樣的結果：86%可能是一個停止標誌牌；7%的可能是一個限速標誌牌；5%的可能是一個風箏掛在樹上等等。然後網路結構告知神經網路，它的結論是否正確。

此前，這樣的神經網路並沒得到為人工智慧圈的認可。然而，事實上在人工智慧出現的早期，神經網路就已經存在了，只是神經網路對於“智慧”的貢獻微乎其微。其主要原因是因為即使是最基本的神經網路，也需要大量的運算。神經網路演算法的運算需求難以得到滿足。

不過，還是有一些虔誠的研究團隊（例如：多倫多大學的Geoffrey Hinton）堅持研究，實現了以超算為目標的並行演算法的執行與概念證明。但也直到GPU得到廣泛應用，這些努力才見到成效。

我們回過頭來看這個停止標誌識別的例子。神經網路是調製、訓練出來的，時不時還是很容易出錯的。它最需要的，就是訓練。需要成百上千甚至幾百萬張影象來訓練，直到神經元的輸入的權值都被調製得十分精確，無論是否是霧天、晴天還是雨天，每次都能得到正確的結果。

只有這個時候，我們才可以說神經網路成功地自學習到一個停止標誌的樣子；或者在Facebook的應用裡，神經網路學習瞭如何識別你媽媽的臉；又或者是2012年吳恩達（Andrew Ng）教授在Google實現了神經網路學習到貓的樣子等等。

吳恩達教授的突破在於，把這些神經網路從基礎上顯著地增大了。層數非常多，神經元也非常多，然後給系統輸入海量的資料，來訓練網路。在他的示例中，資料是一千萬YouTube影片中的影象。吳教授為深度學習（deep learning）加入了“深度”（deep）。這裡的“深度”所指的，正是神經網路中眾多的層。

現在，經過深度學習訓練的影象識別，在一些場景中甚至可以比人做得更好：從識別貓，到辨別血液中癌症的早期成分，再到識別核磁共振成像中的腫瘤。Google的AlphaGo先是學會了如何下圍棋，然後與它自己下棋訓練。它訓練自己神經網路的方法，就是不斷地與自己下棋，反覆地下，永不停歇。

深度學習，給人工智慧以璀璨的未來

深度學習使得機器學習能夠實現眾多的應用，並拓展了人工智慧的領域範圍。如今，深度學習已經能夠實現各種任務，幾乎使得所有的機器輔助功能都變為可能。無人駕駛、預防性醫療，甚至是更精準的電影推薦，都已實現，或即將實現。有了深度學習，人工智慧甚至可以達到我們在科幻小說中所幻想的那般智慧。當然，我們所期待的是像C-3PO那樣的人工智慧，終結者那樣的還是算了。

一張圖足以說。

此圖參考安德魯·特拉斯克(Andrew W. Trask)的《深度學習圖解》一書。

這裡注意的是機器學習和人工智慧的關係，人工智慧除了用到機器學習的理論知識外，還會用到很多其他學科的知識。而機器學習的一些理論也可以用在人工智慧以外的地方。

人工智慧、深度學習和機器學習的差異

這三者並非並列關係，人工智慧、深度學習屬於深度神經網路演算法領域，而人工智慧又是深度學習的領域應用，機器學習主要為淺層網路演算法。

人工智慧主要包括三個領域，分別是影象、語音和自然語言處理，由於其涉及的特徵多為非結構化資料，所以在規律的探索中，多透過神經網路進行特徵選擇調參。

而機器學習主要應用於大資料領域的結構化資料應用，在已經梳理好的結構化資料中發現規律

，所以一般可使用淺層網路進行規律探索。

演算法的本質即透過特徵發現規律。所以無論是深度學習，還是機器學習，其本質目的都具有雷同性，只是在具體的演算法架構中有簡易和複雜之分。深度學習的神經網路，更類似於還原人的神經元，對演算法賦予AI智慧化，使其根據演算法架構有自身進行特徵選擇、引數最佳化的能力。這也是未來人工智慧實現的重要一環。

人工智慧是讓機器具有人的智慧。人工智慧包含了機器學習和深度學習。人工智慧的初級階段是機器學習，機器學習演算法以SVM，BP神級網路為代表，典型特徵是需要人手工設計用於計算和分類的“特徵”資訊;後面發展到深度學習，以卷積神級網路，強化學習為代表，和機器學習相比不需要手動設計和挑選特徵，而是讓演算法自己計算和組合特徵。