聯絡：

“深度學習”是“機器學習”的一個分支，“機器學習”是“人工智慧”的一個分支！

人工智慧是計算機學科的一個分支，二十世紀七十年代以來被稱為世界三大尖端技術之一（空間技術、能源技術、人工智慧）。也被認為是二十一世紀三大尖端技術（基因工程、奈米科學、人工智慧）之一。

人工智慧是研究人類智慧活動的規律，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的軟硬體來模擬人類某些智慧行為的基本理論、方法和技術。人工智慧是研究人類智慧活動的規律，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的軟硬體來模擬人類某些智慧行為的基本理論、方法和技術。

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。因為學習演算法中涉及了大量的統計學理論，機器學習與推斷統計學聯絡尤為密切，也被稱為統計學習理論。

深度學習

深度學習是機器學習中一種基於對資料進行表徵學習的演算法。觀測值（例如一幅影象）可以使用多種方式來表示，如每個畫素強度值的向量，或者更抽象地表示成一系列邊、特定形狀的區域等。而使用某些特定的表示方法更容易從例項中學習任務（例如，人臉識別或面部表情識別）。深度學習的好處是用非監督式或半監督式的特徵學習和分層特徵提取高效演算法來替代手工獲取特徵。

人工智慧的概念非常廣，它可以涵蓋非常多的方面，它由不同的領域組成，如機器學習，計算機視覺等等。

任何具備智慧的人造之物，我們都可以稱之為人工智慧，甚至我們的搜尋引擎如百度，谷歌等都可以稱之為人工智慧，你的手機，你的電腦，你的計算器，都可以被看作是人工智慧。

但深度學習，是屬於人工智慧領域裡面的機器學習子領域裡面的一種機器學習方法。

機器學習方法，比較主流的有SVM(支援向量機，向量機的一種)，以及深度學習等，而深度學習是經歷過起起落落，最終在近年來流行且火起來的，並且今後將作為人工智慧領域的一個重要的機器學習技術，很有可能長期火下去。

深度學習它模仿的是人腦的學習機制，透過自我學習，以達到智慧的目的，相比早期的人工智慧而言，它具備更高一級的智慧能力，它具備自我學習能力。

所以說，人工智慧包含深度學習，是屬於包含與被包含的關係。

任何事物的出現都有一個產生、發展、乃至繁榮的過程，人工智慧也不例外。最初人工智慧的先驅們，想著依據剛剛出現的計算機來構造象人類一樣有理性，有思考的機器來代替人類，但他短時間內能實現嗎？不能。這就需要給機器"學習”。

一個成材的大學生，需要從小努力，十幾年的克苦，方能成功。現在的人工智慧，只能說是弱的人工智慧，象一個剛出生的娃娃。透過機器學習，使用演算法來分析資料，從中學習然後對真實世界中的事物做出預測，決策。當然這種學習還沒有實現通用的人工智慧的最終目的，還需要深度學習。

深度學習，是實現機器學習的一種技術，賦予人工智慧美好的未來，使得任何機器的協助看上去成為可能，在深度學習的幫助下，人工智慧可能甚至達到我們一直以來幻想的科幻狀態。

深度學習是機器學習的一個分支，機器學習是人工智慧的主要研究內容之一。下面對這三個概念做一個概括性的描述，闡述這三個概念之間的內部聯絡。

首先從人工智慧開始說起。人工智慧簡單的說就是具備自主學習能力和決策能力的智慧體，人工智慧的概念是在1956年被提出的，經過60多年的發展，目前人工智慧的研究領域被集中在自然語言處理、知識表示、自動推理、機器學習、計算機視覺和機器人學六個大的方面。這些內容之間即聯絡密切又各成體系，共同描述了人工智慧的概念。隨著大資料的發展，人工智慧在近些年也得到了一定程度上的發展，在很多特定場景下，已經有越來越多的智慧體參與到勞動分工當中。

其次看一下機器學習。目前機器學習的研發是人工智慧領域的一個熱門方向，簡單的說機器學習就是從一堆雜亂無章的資料中找到其背後的規律（Machine Learning in Action）。機器學習的步驟包括資料收集、資料整理、演算法設計、訓練演算法、驗證演算法和使用演算法，機器學習的一個重點是演算法的設計和實現，機器學習中常見的演算法包括決策樹、樸素貝葉斯、kNN、Apriori、支援向量機等，目前在機器學習領域採用Python做演算法實現是比較常見的選擇。

最後看一下深度學習，深度學習是機器學習的一個分支，深度學習是基於人工神經網路的一種研究，與機器學習一樣，深度學習也分為監督式學習和無監督式學習兩種情況。深度學習有一個重要的特點就是“深”，這個“深”代表一種多層次的概念，也就是說深度學習會模擬人腦在考慮問題的時候將問題分解成多個抽象層去處理。簡單的說，深度學習在輸入層和輸出層之間有多個處理層，每個層次代表一種抽象分析過程。

如果有人工智慧方面的問題，也可以諮詢我。

機器學習是人工智慧的子集，深度學習是機器學習的子集。

不要把人工智慧等價為深度學習。

這一次，小KE帶你瞭解幾個火爆的“人工智慧”名詞兒，這樣在擼串炸雞啤酒時，可以跟小夥伴吹噓吹噓，提高提高自己的人格檔次。“機器學習”和“深度學習”，這幾個名詞，經常會和人工智慧一同出現在不同場合，他們都是什麼意思呢?

人工智慧

先來看看人工智慧。在1956年達特矛斯會議上，約翰•麥卡錫提出了“人工智慧”這個概念。人工智慧的含義是可以執行人類智慧特徵任務的機器，也就是Artificial Intelligence，英文縮寫為AI。

這個概念其實涵蓋是比較廣泛，總的來說就是使用“機器”來理解語言、識別物體與聲音、學習和解決問題等內容。人工智慧這個概念是大範圍內的一個定義，具有概括性質的一個概念。

機器學習

機器學習是Machine Learning，英文簡稱 ML。

一句話就能明白什麼是機器學習：機器學習是實現人工智慧技術的方法。

機器學習是一門多領域交叉學科，涉及機率論、統計學、算法理論等多門學科。

這裡需要強調一下，機器學習可不是一門程式語言哦，它是專門研究計算機怎樣模擬或實現人類的學習行為、以獲取新的知識或技能，讓計算機重新組織已有的知識結構使之不斷改善自身的效能。

舉一個例子看看機器學習是什麼。例如這裡有上百萬張圖片，需要分出哪些圖片包含小狗、哪些圖片沒有小狗。如果人類透過眼睛來分，那豈不是要累慘了，可以透過機器來幫忙。機器學習就是構建出一個模型，該模型經過特殊的訓練後，可以將圖片標記為包含狗或不包含狗。一旦準確度達到足夠高，機器就“學會”了分辨狗的樣子。這個過程就是機器學習。

機器學習主要是提供一個演算法、訓練出一個模型，該模型實現特殊的功能。

深度學習

機器學習發展發展，就出現了很多新的方法，例如深度學習，DeepLearning，簡稱DL。

深度學習是機器學習的眾多方法之一。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。

深度學習的靈感完全來自我們人類本身，來自大腦的結構和功能，即許多神經元的互連互通。人工神經網路是模擬生物大腦結構的演算法來訓練模型的。

深度學習的概念由Hinton等人於2006年提出。深度學習的提出，為人工智慧的發展帶來了質的飛躍。帶來了意想不到的效果。

人工智慧是一個大的領域，而實現這個領域的功能需要技術。

機器學習就是其中之一。

而深度學習是機器學習的子集，在硬體設施計算能力等方面有了大幅度提高後，得到了快速發展。

大概就是這樣。

這麼給你舉個栗子吧，你認識一個姑娘，想把她追到手，你所採用的方法叫人工智慧。

方法很多，其中一個就叫做欲擒故縱，那這個就稱之為機器學習。

欲擒故縱又會有很多實施方式，那其中一個實施方式就叫深度學習。

再進一步說，深度學習演算法有多種語言來實現，常用的有Python，Java等，這就相當於你是送朵花，還是買個包。

Java和Python也只是一種工具，核心還是演算法思想，也就是你追女孩子的思路。

所以你該明白，學習人工智慧，需要從總體上了解人工智慧的全貌，然後選準一個方向，深入研究，人工智慧面太廣了，一個人不可能全部搞明白，需要深入到某個分支細細研究，足以!

我來試著找一下規律

3者相同之處就是，都需要資料，大量的資料，沒有大資料做支撐根本無法實現智慧化

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。

人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術科學。

深度學習是機器學習領域中一個新的研究方向，它被引入機器學習使其更接近於最初的目標——人工智慧。深度學習是機器學習的一種，而機器學習是實現人工智慧的必經路徑。深度學習的概念源於人工神經網路的研究，含多個隱藏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。研究深度學習的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，聲音和文字等。

最初的深度學習是利用深度神經網路來解決特徵表達的一種學習過程。深度神經網路本身並不是一個全新的概念，可大致理解為包含多個隱含層的神經網路結構。為了提高深層神經網路的訓練效果，人們對神經元的連線方法和啟用函式等方面做出相應的調整。