-
1 # 小靈講大資料
-
2 # 薇三更垂直BAT
說到人工智慧，許多人就會想到機器學習、神經網路或者深度學習。這幾個概念有聯絡但也有區別。
人工智慧（Artificial Intelligence）
所謂人工智慧，就是計算機可以像人類一樣完成工作，比如現在市面上看到的無人駕駛汽車。人工智慧還可以讓人們的生活變得更加的便利。比如我們現在生活去商場都會看到電子導航機器人，這就避免了到商場找不到路的尷尬。畢竟，目前一些人通過計算很難解決但通過人類可以很快解決的問題還是很多的。例如自然語言理解、自然行動等，而它們就是人工智慧需要解決的問題。可見，人工智慧是具有目的性的。
深度學習（Deep Learning）
深度學習作為機器學習的一個分支，深度學習除了可以學習任務與特徵之間的關聯外，還能從各種資料中提取到一些更加複雜的特徵，進而來學習。在百度百科中我們可以查到對深度學習的精確定義為“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”。深度學習是學習樣本資料的內在規律和表示層次，這些學習過程中獲得的資訊對諸如文字，影象和聲音等資料的解釋有很大的幫助。它的最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、影象和聲音等資料。 深度學習是一個複雜的機器學習演算法，在語音和影象識別方面取得的效果，遠遠超過先前相關技術。
機器學習（Machine Learning）
內基梅隆大學（Carnegie Mellon University）的Tom Michael Mitchell教授在1997年出版的書籍Machine Learning中的是這樣定義：“如果一個程式可以在任務T上，隨著經驗E的增加，效果P也可以隨之增加，則稱這個程式可以從經驗中學習”。以垃圾郵件分類問題為例，“一個程式”指的是機器學習演算法，比如邏輯迴歸演算法；“任務T”是指區分垃圾郵件的任務；“經驗E”為已經區分過是否為垃圾郵件的歷史郵件，在監督式機器學習問題中，這也被稱之為訓練資料；“效果P”為機器學習演算法在區分是否為垃圾郵件任務上的正確率。同時，這裡的“程式”和傳統的程式有著很大的區別。傳統的程式，根據規定的規則處理資料，從而來得到期望值；這裡的“程式”則是根據規定資料以及目標結果先獲得兩者之間關係的規則，從而將學習得到的規則應用於新的資料中。
-
3 # It那些事兒
2012年的時候，加拿大多倫多大學的Hinton教授的學生利用神經網路在cv（計算機視覺）領域的大賽ImageNet上取得了第一名的成績，而且評價指標比第二名高了將近10%，這一突破再一次將神經網路帶到了研究者的視野之中。而且這次的神經網路相較於之前的神經網路層數更深，因此便被成為深度學習。
從2012年後，隨著計算機效能的大幅提升，GPU、TPU的出現，資料規模的增加，使得深度學習訓練出來的模型的效能越來越好，因此現在深度學習正在如火如荼的發展著。
談及人工智慧，英文簡稱AI，它是電腦科學的一個分支，它是一個很大的概念了，下面包含很多的方向，包括機器學習，資料探勘等等，其實深度學習也屬於機器學習的範圍，但由於深度學習的效果比以往的機器學習方法效果好很多，所以現在的很多方向都採用深度學習的方法，而且還取得了目前為止比較好的效果。
總結來說，深度學習是方法，人工智慧是應用。現有的人工智慧的應用大部分都是採用深度學習的方法做的，而且還都取得了不錯的結果。
-
4 # 使用者514207511755774
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。是人工智慧的一種，推薦去中公教育優就業學習。
-
5 # 東北振興
深度學習是本輪人工智慧爆發的關鍵技術。人工智慧技術在計算機視覺和自然語言處理等領域取得的突破性進展，使得人工智慧迎來新一輪爆發式發展。而深度學習是實現這些突破性進展的關鍵技術。其中，基於深度卷積網路的影象分類技術已超過人眼的準確率，基於深度神經網路的語音識別技術已達到95%的準確率，基於深度神經網路的機器翻譯技術已接近人類的平均翻譯水平。準確率的大幅提升使得計算機視覺和自然語言處理進入產業化階段，帶來新產業的興起。
關注優就業，學習更多IT知識。
-
6 # 文史小侃
深度學習是人工智慧的子集，是實現人工智慧的一種演算法。還有其他方法可以實現人工智慧，比如統計學習，專家系統或者未來尚待人類發明的演算法。
深度學習是指利用深度神經網路學習特定分佈（概率論理念）從而實現人工智慧。深度神經網路是相對簡單感知機而言的。一般的感知機只有兩三層，輸入量也比較少。而深度神經網路的層數多，輸入量多。
深度神經網路早在三四十年前就被提出來了，只是受限於當時硬體計算能力，難以實現。近十年來受益於GPU運算能力的提高，還有市場對影象處理、文字和音訊處理的需求，深度學習才成為研究熱門。
-
7 # 千尋位置行業應用
首先，深度學習的關鍵是在於建立具有更多神經元、更多層級的深度神經網路。而且我們發現，這種深度神經網路的學習效果在影象辨識等方面甚至超越了人類。深度學習餓模型具有通用性的熱點，可以標準化、自動化和模組化。
至於和人工智慧的關係，簡單來說，深度學習推動了人工智慧進入工業大生產階段，演算法的通用性導致了標準化、自動化和模組化的框架產生。另外，以深度學習為基礎的人工智慧技術在升級改造眾多的傳統行業，存在極其廣闊的應用場景。
-
8 # 多餘寶寶
嗯嗯，現在課程培訓裡面學的就是人工智慧方向的內容
比如語音識別，影象識別，人臉識別，車牌識別等
簡單說就是一種人與機器的對話技術
學習之後可以更好地往人工智慧方向的領域發展
-
9 # 叻道
我覺得問出這個問題的，往往對這兩個的基本定義都不清楚。同類問題有，什麼Java，跟網際網路技術有關係嗎？
深入地說，我覺得你就只會更加不明覺厲。建議你先搜尋一下看看定義。或者找一本深度學習的書看看序言....
回覆列表
目前人工智慧很熱門，但是很多人容易將人工智慧與機器學習混淆。此外，資料探勘、深度學習、人工智慧之間的關係也容易被混淆。
1、人工智慧
人工智慧（Artificial Intelligence，AI）是研究如何讓計算機或軟體有智慧行為的一個學術領域，也就是研究對人的意識、思維的資訊過程的模擬。人工智慧所涉及的範圍甚廣，例如自然語言處理、影象識別、語音識別等。
機器學習(Machine Learning，ML)是電腦科學和統計學的交叉學科，通過一些讓計算機可以自動“學習”的演算法，從資料中分析獲得規律，然後利用規律對新樣本進行預測。機器學習是人工智慧的一個分支，作為人工智慧的核心技術和實現手段，通過機器學習的方法解決人工智慧面對的問題。
任何通過資料訓練的學習演算法的相關研究都屬於機器學習，包括很多已經發展多年的技術，比如線性迴歸、K均值、決策樹、隨機森林、PCA(主成分分析)、SVM(支援向量機)以及ANN(人工神經網路)。
資料探勘(Data Mining)，就是從大量資料中獲取有效的、新穎的、潛在有用的、最終可理解的模式的非平凡過程，資料探勘找的是一個模式，一個規則。
之所以經常將機器學習、資料探勘合在一起講，是因為現在好多資料探勘的工作是通過機器學習提供的演算法工具實現的。不過，資料探勘是一個很寬泛的概念，兩者不能畫上等號。
4、深度學習
深度學習本身是機器學習中的神經網路演算法的衍生，在影象、語音等的分類和識別上取得了非常好的效果，所以各大研究機構和公司都投入了大量的人力做相關的研究和開發。
5、總結
（1）機器學習是人工智慧的一個分支，作為人工智慧的核心技術和實現手段，通過機器學習的方法解決人工智慧面對的問題。
（2）資料探勘和機器學習的交集越來越大，機器學習成為資料探勘的重要支撐技術,兩者是相互促進的。
（3）機器學習為人工智慧和資料探勘提供了底層的技術支撐。
（4）深度學習是機器學習一類比較火的演算法，本質上還是原來的神經網路。