深度學習：現年模式Ai人工智慧人工智慧領域研究報告深度學習是一類模式分析方法的統稱，就具體研究內容而言，主要涉及三類方法： (1)基於卷積運算的神經網路系統，即卷積神經網路(CNN)。 (2)基於多層神經元的自編碼神經網路，包括自編碼( Auto encoder)以及近年來受到廣泛關注的稀疏編碼兩類( Sparse Coding)。 (3)以多層自編碼神經網路的方式進行預訓練，進而結合鑑別資訊進一步優化神經網路權值的深度置信網路(DBN)。 通過多層處理，逐漸將初始的“低層”特徵表示轉化為“高層”特徵表示後，用“簡單模型”即可完成複雜的分類等學習任務。由此可將深度學習理解為進行“特徵學習”（feature learning）或“表示學習”（representation learning）。深度學習和人工智慧的關係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。深度學習在搜尋技術，資料探勘，機器學習，機器翻譯，自然語言處理，多媒體學習，語音，推薦和個性化技術，以及其他相關領域都取得了很多成果。深度學習使機器模仿視聽和思考等人類的活動，解決了很多複雜的模式識別難題，使得人工智慧相關技術取得了很大進步。

什麼是深度學習：

深度學習是一類模式分析方法的統稱，就具體研究內容而言，主要涉及三類方法：

(1)基於卷積運算的神經網路系統，即卷積神經網路(CNN)。

(2)基於多層神經元的自編碼神經網路，包括自編碼( Auto encoder)以及近年來受到廣泛關注的稀疏編碼兩類( Sparse Coding)。

(3)以多層自編碼神經網路的方式進行預訓練，進而結合鑑別資訊進一步優化神經網路權值的深度置信網路(DBN)。

通過多層處理，逐漸將初始的“低層”特徵表示轉化為“高層”特徵表示後，用“簡單模型”即可完成複雜的分類等學習任務。由此可將深度學習理解為進行“特徵學習”（feature learning）或“表示學習”（representation learning）。

深度學習和人工智慧的關係

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。深度學習在搜尋技術，資料探勘，機器學習，機器翻譯，自然語言處理，多媒體學習，語音，推薦和個性化技術，以及其他相關領域都取得了很多成果。深度學習使機器模仿視聽和思考等人類的活動，解決了很多複雜的模式識別難題，使得人工智慧相關技術取得了很大進步。

從本質上說，深度學習是網路模仿人類大腦的連通性，對資料集進行分類，並發現它們之間的相關性。

和人工智慧不同的是，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。

深度學習首先是一種機器學習。深度學習的基礎，叫做神經網路，這本身就是一種機器學習演算法。近年來，隨著深度學習的火熱和深入人心，人們漸漸將這一概念獨立出來，由此有了深度學習和傳統機器學習的區分。而機器學習是人工智慧領域的一個分支。三者關係如下圖所示。

深度學習 vs 機器學習

要理解機器學習和深度學習的區別，最簡單的方法就是知道深度學習就是機器學習。

更具體地說，深度學習被認為是機器學習的一種進化。 它使用了一個可程式設計的神經網路，使機器能夠在沒有人幫助的情況下做出準確的決定。

但首先，讓我們先定義一下機器學習。

什麼是機器學習？

下面是機器學習的基本定義:

解析資料，從資料中學習，然後應用所學知識做出明智決定的演算法。

機器學習演算法的一個簡單例子是個性化音樂流服務。 機器學習演算法將聽眾的喜好與其他具有相似音樂品味的聽眾聯絡起來，以便服務決定向聽眾推薦哪些新歌曲或藝術家。 這種技術，通常被簡單地吹捧為人工智慧，被用於許多提供自動推薦的服務中。

從追蹤惡意軟體的資料安全公司到希望得到有利交易警報的金融專業人士，機器學習為跨越多個行業的各種自動化任務都能提供很好的解決方案。 人工智慧演算法被設計成以一種模擬虛擬個人助理的方式不斷學習ーー這是它們做得相當好的地方。

機器學習涉及到許多複雜的數學和編碼，最終，它們提供的機械功能就像手電筒、汽車或電腦螢幕一樣。 當我們說某種東西有“機器學習”的能力時，它的意思是某種東西利用給它的資料執行某種功能，並且隨著時間的推移逐漸變得更好。 這就好比你說“ 天黑了”的時候，手電筒就會開啟，所以它能識別出不同的片語，包含“ 天黑”這個詞。

深度學習和機器學習的區別

實際上，深度學習只是機器學習的一個子集。 事實上，深度學習在技術上就是機器學習，並且以類似的方式實現功能(因此這些術語有時候是鬆散地互換的)。 然而，它的能力是更加強大的。

雖然基本的機器學習模型在它們的功能上確實變得越來越好，但是它們仍然需要一些指導。 如果人工智慧演算法返回一個不準確的預測，那麼工程師必須介入並做出調整。 利用深度學習模型，演算法可以通過自己的神經網路自行判斷預測是否準確。

讓我們回到手電筒的例子: 它可以被設定為當它認識到有人說“黑暗”這個詞的可聽線索時開啟。 隨著它的不斷學習，它最終可能會開啟任何包含這個詞的短語。 現在，如果手電筒有一個深度學習模型，它可以找出它應該開啟的暗示“我看不見”或“燈開關不工作” ，也許與一個光感測器協同。 深度學習模型能夠通過自己的計算方法進行學習ーー這種技術使它看起來像是有自己的大腦。

深度學習是如何工作的？

深度學習模型的設計目的是以類似於人類得出結論的邏輯結構連續地分析資料。 為了實現這一點，深度學習應用程式使用一種叫做人工神經網路的演算法的分層結構。 人工神經網路的設計靈感來自於人腦的生物神經網路，導致了一個遠比標準機器學習模型能力更強的學習過程。

要確保深度學習模型不會得出錯誤的結論，深度學習模型需要大量的訓練才能使學習過程正確。

深度學習的一個很好的例子就是谷歌的 AlphaGo。 谷歌用自己的神經網路創造了一個計算機程式，這個程式學會了玩一種叫做圍棋的抽象棋盤遊戲，圍棋以需要敏銳的智力和直覺而聞名。 通過與專業圍棋棋手對抗，AlphaGo 的深度學習模型學會了如何在人工智慧領域達到前所未有的水平，並且在不被告知何時應該採取具體行動的情況下學會了(這是標準機器學習模型所需要的)。 當 AlphaGo 擊敗多位世界知名的“大師”時，引起了不小的轟動——一臺機器不僅能夠掌握遊戲中複雜的技術和抽象的方面，它還成為了遊戲中最偉大的玩家之一。

概括一下兩者之間的區別:

機器學習使用演算法來解析資料，從資料中學習，並根據所學知識做出明智的決定深度學習將演算法分層結構，建立一個“人工神經網路” ，它可以自己學習並做出智慧決策深度學習是機器學習的一個分支。 雖然兩者都屬於人工智慧的廣義範疇，但深度學習是最接近人類的人工智慧的力量

深度學習是什麼？和人工智慧有什麼區別？

區別是 ：深度學習的本質，其實就是讓AI重複多次的不斷進行學習，不僅大幅提高學習 效率，且出錯率下降。落到具體場景上，就是把“人工智障”轉化為“人工智慧”的技術。

聯絡是：深度學習是人工智慧領域中的一部分。人工智慧，機器學習和深度學習的區別是什麼，這三個概念比較抽象，現在來用通俗的方式解釋一 下。

通過 一個經典的例子來解釋人工智慧、機器學習和深度學習之間的區別：比較蘋果和橙子

深度學習與人工智慧，本質上來講，人工智慧相比深度學習是更寬泛的概念。人 工智慧現階段分為弱人工智慧和強人工智慧，實際上當下科技能實現的所謂“人工智慧”都是弱AI，奧創那種才是強AI（甚至是boss級的）。而深度學習，是AI中的一種技術或思想，曾被MIT技術評論列為2013年十大突破性技術（Deep Learning居首）。或者換句話說，深度學習這種技術（我更喜歡稱其為一種思想，即）說不定就是實現未來強AI的突破口。

人工智慧是當今的趨勢所在，深度學習對你未來的發展起到很大的幫助。

簡單來說，機器學習是實現人工智慧的方法，深度學習是實現機器學習的技術。機器學習在實現人工智慧時中需要人工輔助（半自動），而深度學習使該過程完全自動化

三者關係：

舉個例子：通過機器學習演算法來識別水果是橘子還是蘋果，需要人工輸入水果的特徵資料，生成一定的演算法模型，進而可以準確預測具有這些特徵的水果的型別，而深度學習則能自動的去發現特徵進而判斷。