看了一堆三個集合巢狀包含的圖

還是覺得這個圖更合適

如下

人工智慧、機器學習、深度學習並非層層包含的關係，更像是既有子集也有交集

計算機或技術的任何能力來模擬人類思維或大腦活動

簡而言之

泛的無邊無際

實現人工智慧目標的特定方法，被用來大大改進計算機視覺

神經網路演算法的衍生

使用人工神經網路來訓練任務上的技術

深度的關鍵是使用多層而不是單層來建立的

舉個栗子

影象處理

找貓

識別血液中的癌症

總的來說，人工智慧太泛，機器學習只是被大量的應用於解決人工智慧的問題而已，而深度學習把機器學習帶到一個新境界

人工智慧是機器學習等技術的應用場景，機器學習是支撐人工智慧應用的關鍵技術之一。

深度學習只是機器學習眾多方法中一個目前比較熱門的分支罷了。

什麼是AI？

具有執行認知功能（例如感知，學習，推理和解決問題）的能力的機器被認為具有人工智慧。

當機器具有認知能力時，存在人工智慧。人工智慧的基準是關於推理，說話和視覺的人類水平。

機器學習是一個系統，可以透過自我改進從例項中學習，而不需要程式設計師明確編碼。機器學習將資料與統計工具相結合以預測輸出。機器學習與資料探勘和貝葉斯預測建模密切相關。機器接收資料作為輸入，使用演算法來制定答案。

典型的機器學習任務是提供推薦。對於擁有Netflix帳戶的使用者，所有電影或系列推薦都基於使用者的歷史資料。科技公司正在使用無監督學習來改善個性化推薦的使用者體驗。

機器學習還用於各種任務，如欺詐檢測，預測維護，投資組合最佳化，自動化任務等。

深度學習介紹

深度學習是模擬大腦中神經元網路的計算機軟體。它是機器學習的子集，被稱為深度學習，因為它利用了深度神經網路。

深度學習演算法的第一層稱為輸入層，最後一層稱為輸出層，中間的所有層都稱為隱藏層。深詞意味著有兩層以上的神經元。

每個隱藏層由神經元組成。神經元彼此連線。神經元將處理然後傳播上層的輸入訊號。給下層神經元的訊號強度取決於重量，偏差和啟用函式。

網路消耗大量輸入資料並透過多層操作它們;網路逐層學習越來越複雜的資料特徵。

機器學習與深度學習的區別

資料集可包含十幾個到數百個特徵。系統將從這些功能的相關性中學習。但是，並非所有功能對演算法都有意義。機器學習的一個關鍵點是找到相關的特徵，以使系統學到一些東西。

在機器學習中執行此部分的一種方法是使用特徵提取。特徵提取結合了現有特徵，以建立更相關的特徵集。它可以透過PCA，T-SNE或任何其他降維演算法來完成。

例如，影象處理，從業者需要在影象中手動提取特徵，如眼睛，鼻子，嘴唇等。那些提取的特徵被提供給分類模型。

深度學習解決了這個問題，特別是卷積神經網路。神經網路的第一層將從圖片中學習小細節;下一層將結合以前的知識，以製作更復雜的資訊。在卷積神經網路中，使用濾波器完成特徵提取。網路對圖片應用濾波器以檢視是否存在匹配，即特徵的形狀與影象的一部分相同。如果匹配，網路將使用此過濾器。因此，特徵提取過程自動完成。

參考資料：本人的部落格：

TensorFlow工具快速入門教程 https://china-testing.github.io/tensorflow.html

這些概念很多人都搞不清楚，我來說說我的看法，供大家參考參考:

1. 人工智慧 = 一個集合， 機器學習 = 集合中的一個元素， 深度學習 = 集合中的一個元素。

2. 人工智慧(是一個統稱或者說是一個虛名詞)並不是一門特定或者指定的一門專業知識點來的，它是所有關於智慧方面的一個統稱，它有非常多的分支。比如說:

(1) 軟體方面: 機器學習，深度學習，機器視覺，智慧推薦，美圖相機系統，人臉識別，資料探勘等等。

(2) 硬體方面(物聯網): 智慧硬體裝置，機器人，智慧報警，智慧車，無人駕駛等等。

以上的(1)和(2)所列的專業知識點都屬於人工智慧，它們都是人工智慧集合中的元素來的。

3. 機器學習: 是一個具體的專業知識，是人工智慧領域中的一個小分支而已。

4. 深度學習: 是現在人工智慧領域比較前沿的演算法來的，它是從機器學習中的神經網路層面發展來的。深度學習也只是人工智慧領域的一個小分支。

5.機器學習和深度學習都是一門指定的專業知識來的，它們不是一個統稱。可以說深度學習屬於機器學習中的一員，也可以說機器學習和深度學習都是獨立的，它們誰都不屬於誰。但有一點，它們都屬於人工智慧領域。

三者關係：

人工智慧（Artificial Intelligence）透過軟體和硬體來「模擬」和「模仿」智慧人類行為的研究。人工智慧研究的各個分支，包括專家系統、機器學習、進化計算、模糊邏輯、計算機視覺、自然語言處理、推薦系統等。

機器學習（Machine Learning）AI的一個子領域，透過演算法將AI概念應用於計算系統。計算機識別資料模式並根據資料模式採取行動，是一種實現人工智慧的方法。直接來源於早期的人工智慧領域，傳統的演算法包括決策樹、聚類、貝葉斯分類、支援向量機、EM、Adaboost等等。從學習方法上來分，機器學習演算法可以分為監督學習（如分類問題）、無監督學習（如聚類問題）、半監督學習、整合學習、深度學習和強化學習。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。

深度學習（Deep Learning）是ML的子領域，是人工神經網路的另一個名字。深度學習網路模仿人類大腦感知與組織的方式，根據資料輸入做出決策，是一種實現機器學習的技術。

相關：學習人工智慧AI 和機器學習的人必須關注的 6 個領域

https://www.toutiao.com/i6599896536908300807/

https://www.toutiao.com/i6630975917390823943/

隨著深度學習在計算機視覺、自然語言處理、語音處理的應用越來越廣泛，由於人才的供不應求，薪資水平也遠遠高於其他行業，相對於其他行業要求也要高一些。 深度學習500問，是以一問一答的形式，內容也是非常的豐富，涵蓋了數學知識、機器學習、深度學習、計算機視覺、自然語言處理等，非常適合面試前複習的資料。深度學習500問，是由一名川大畢業生在git上面建立的一個開源專案，目的是為了幫助在學習深度學習的夥伴們，該資料不同以往的書籍，它採用的是問答的形式。目前該專案在git上面已經收到了7000多顆星，該專案目前也還在改進和完善中，有興趣的小夥伴可以加入。 本來該專案總共包含了15個章節，但是目前已經更新到了16章NLP，估計是大家的熱情太高了。第一章數學基礎數學基礎介紹了標量、矩陣、向量、導數、偏導和常用的機率分佈等。第二章機器學習基礎介紹了常用的迴歸演算法、分類演算法、神經網路等。第三章深度學習基礎主要介紹神經網路相關的知識，以及構建和訓練神經網路模型遇到的一些問題。第四章經典網路主要介紹一些經典神經網路LeNet、AlexNet和GoogleNet以及卷積視覺化的相關知識。後面的章節介紹我就不一一說明了，有興趣的小夥伴可以去看看，目前git上面也提供了PDF的文件方便觀看。深度學習500問的git地址：

https://github.com/scutan90/DeepLearning-500-questions

作為相關人員，給出一些自己的拙見，其中也有自己總結學習的筆記：

人工智慧被分為：強人工智慧（General AI）和弱人工智慧（Narrow AI）。

「強人工智慧」就是實現一臺機器，讓它擁有人類的智慧，人類的感知，可以思考，甚至於超越人類的智慧，這種情景，就像是我們看的科幻劇一樣。（現在不可能）

「弱人工智慧」則是可以像人類一樣完成某些具體任務，有可能比人類做得更好，例如：人臉識別等

機器學習的最基本做法，便是使用演算法來對資料進行解析、學習，然後對真實世界中的資料/事件作出決策/預測。

根據使用演算法的不同，機器學習的演算法可包括：

決策樹、聚類、支援向量機、樸素貝葉斯等。

根據學習方法的不同，機器學習可以分為：

監督學習、半監督學習、無監督學習、整合學習等。

機器學習（ML）技術在預測中發揮了重要的作用，ML經歷了多代的發展，形成了具有豐富的模型結構，例如：

1.線性迴歸。

2.邏輯迴歸。

3.決策樹。

4.支援向量機。

5.貝葉斯模型。

6.正則化模型。

7.模型整合（ensemble）。

8.神經網路。

這些預測模型中的每一個都基於特定的演算法結構，引數都是可調的。訓練預測模型涉及以下步驟：

1. 選擇一個模型結構（例如邏輯迴歸，隨機森林等）。

2. 用訓練資料（輸入和輸出）輸入模型。

3. 學習演算法將輸出最優模型（即具有使訓練錯誤最小化的特定引數的模型）。

機器硬體的發展促進了發展

計算機科學家重新使用神經網路的許多層來完成這些人類模仿的任務。這給DNN（深度神經網路）帶來了新的生機，並在影象分類和語音識別任務方面提供了重大突破。

DNN也演變成許多不同的網路拓撲結構：

所以有CNN（卷積神經網路），RNN（遞迴神經網路），LSTM（長期短期記憶），GAN（生成敵對網路），轉移學習，注意模型（attention model）所有的這些被統稱為深度學習（Deep Learning）。

1、人工智慧

人工智慧（Artificial intelligence）簡稱AI。人工智慧是計算機科學的一個分支，它企圖瞭解智慧的本質，並生產出一種新的能以人類智慧相似的方式做出反應的智慧機器，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。

2、機器學習

機器學習（MachineLearning）簡稱ML。機器學習屬於人工智慧的一個分支，也是人工智慧的和核心。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。

3、深度學習

深度學習（DeepLearning）簡稱DL。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。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，如圖象、聲音、文字。

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。

應用場景

1) 人工智慧的研究領域在不斷的擴大，包括專家系統、機器學習、進化計算、模糊邏輯、計算機視覺、自然語言處理、推薦系統等。並且目前的科研工作都集中在弱人工智慧這部分。

2) 機器學習直接來源於早期的人工智慧領域，傳統的演算法包括決策樹、聚類、貝葉斯分類、支援向量機、EM、Adaboost等等。從學習方法上來分，機器學習可以分為監督學習(如分類問題)、無監督學習(如聚類問題)、半監督學習、整合學習、深度學習和強化學習。傳統的機器學習演算法在指紋識別、人臉檢測、特徵物體檢測等領域的應用基本達到了商業化的要求或特定場景的商業化水平。

3) 深度學習本來並不是一種獨立的學習方法，其本身也會用到監督學習和無監督學習方法來訓練深度神經網路，但由於近年來改領域發展迅猛，一些特有的學習手段相繼被提出(如殘差網路)，因此越來越多的人將其單獨看作一種學習方法。主要應用在網際網路、安防、金融、智慧硬體、醫療、教育等行業，在人臉技術、圖象識別、智慧監控、文字識別、語義分析等領域。

機器學習是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。

包含關係為：人工智慧>機器學習>深度學習

我們一起分享AI學習與發展的乾貨

網路上那麼多機器學習、深度學習的資料，學習了很多之後還是懵懵懂懂的。不知道兩者之間的區別。

剛好我上完菜鳥窩網站上的人智慧特訓營免費公開課，Chris老師透過橫向對比的方式，讓你瞭解一個普通的程式和機器學習演算法的相同點/差別點是什麼？對於程式而言就是要一個準確的結果，而對於機器學習而言我們要的是規則。

機器學習有聚類演算法和分類演算法，這是常見的一些機器學習演算法。網路上大多數資料都顯示深度學習只是機器學習的一種特殊型別，今天我們從另一個角度來看，其實深度學習是另外一類演算法的集合，深度學習的核心是網路深度和網路結構。網路深度是一個相對概念，沒有說一個隱藏層要大於多少才算深度學習。

深度學習的另外一個核心是網路結構：深度自信網路、神經網路、迴圈網路、卷積網路都各自是一種結構。按照結構的不同，有不同的分類，比如LSTM、ResNet都是一種特殊的結構，而不是一種特殊的演算法。LSTM是深度學習演算法領域中的一種網路結構，千萬不要理解為一種演算法。

我可能講得不是特別明白，你也可以直接看菜鳥窩的人工智慧特訓營直播課回放影片：

具體可回看第四講回放：https://www.cniao5.com/course/10231