机器学习与深度学习有什么异同？
机器学习与深度学习的区别 深度学习与一般机器学习的区别是什么1：一般的机器学习一般指决策树、逻辑回归、支持向量机、xgboost等。深学习的主要特点是使用深神经网络：深卷积网络、深循环网络、递归网络等。算法在层次上没有相似性。很难说相似性可能是每个人的函数都是为了拟合高维函数。 2：一般机器学习在分析低维、可解释性强的任务时表现得更好。
例如，数据挖掘和推荐算法。它们的特点是，一般情况下，采集的数据维数不高。以广告推送任务为例，一般分析的数据维度仅包括性别、年龄、学历、职业等，参数调整方向明确。3：深度学习算法擅长分析高维数据。例如图像、语音等。例如，一张图片可能有几千万像素，相当于几千万个特征向量维度，像素之间的关系不是特别明显。在这种情况下，卷积神经网络能够有效地处理这一问题，基本上能够非常准确地掌握图像的特征。
然而，各个维度的解释力都很弱，参数调整的方向也很不明确（神经元数量、隐含层数量等） 综上所述，其实两者是截然不同的。深度学习是近几年才发展起来的。传统的机器学习算法大多来源于概率论和信息学。在编程方面，传统的机器学习模型基本上集成在sklearn包中。对于深度学习，tensorflow可以作为一个框架 对于详细的理解，传统的机器学习可以从李航的统计原理或者周志华的机器学习（也称西瓜书）中看到。
深度学习和机器学习是什么关系？
深度学习可以看作是机器学习的一个子集。机器学习致力于不通过显式的编程而使计算机具有学习能力。通俗的讲，也就是让计算机先观察任务中的模式，然后照着做。基于这样一种理念，机器学习在发展的过程中不断的丰富着自己的工具箱，各种各样的算法只要有用，都可以被集成进来。深度学习主要是通过构建人工神经网络这样一种途径来使计算机拥有学习能力，因此，它可以看作是机器学习的一个子集。
学习深度学习是否要先学习机器学习？
针对这个问题，我的总体建议就是：本着大处着眼小处着手的学习原则，顺藤摸瓜，展开学习。不老在门口徘徊，一脚先进去，然后定位自己需要的知识点，进行聚焦学习。首先比较下两者的区别机器学习与深度学习有什么区别？两者的关系是：人工智能AI包括机器学习，机器学习包括深度学习。额外也提一下数据挖掘，大数据的挖掘常用的方法有分类、回归分析、聚类、关联规则、神经网络方法、Web 数据挖掘等。
所以我们看到机器学习跟深度学习都是数据挖掘的方法。什么是机器学习？机器学习(Machine Learning，ML)是人工智能的子领域，也是人工智能的核心。机器学习是一门交叉学科，综合利用概率论知识，统计学知识，近似理论知识和复杂算法知识，模拟人类的思考解决问题的方式，达到充分利用计算机超强运算能力协助人类解决问题的目的。
什么是深度学习？深度学习(DeepLearning，DL)属于机器学习的子类。是利用深度神经网络来解决特征表达的一种学习过程。深度学习(DL, Deep Learning)是机器学习一个新的研究方向，使用更加抽象的算法来模拟人的大脑的决策学习过程。它的最终目标是让机器能够像人一样具有分析学习能力。机器学习与深度学习的比较深度学习在搜索技术、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术等待领域取得了很多成果。
我们平常把深度学习跟机器学习混在一块的，这也没什么不妥。1、检验算法的成熟度机器学习，通过调整得到的算法一般是准确，并完全可控的，可以比较快得到高成熟度的算法。一般来说，深度学习算法需要大量时间进行训练。这是因为该算法包含有很多参数，因此训练它们需要比平时更长的时间。所以深度学习的算法成熟度，跟不确定性，需要更长时间。
2、解决问题的过程机器学习算法遵循标准程序以解决问题。计算过程是可以解释的、按流程进行的。深度学习的数据处理过程则是黑盒子方式，需要通过不停的调整训练。两者的基础概念相通的地方很多最终如果掌握了深度学习，肯定也掌握了机器学习。学习的过程不一定是要求把所有机器学习模型通通掌握，而是理解一些基本概念，比如监督学习(supervised learning)，无监督学习(unsupervised leaning)，训练(training)，测试(testing)，泛化(generalization)等。
这些概念都是通用的。大处着眼小处着手的学习原则如果要学习深度学习，网上有很多深入浅出的文章跟公开课可以学习快速有个总体概念。了解需要的预备知识。不能始终在门口徘徊。可以先一脚进去看看，里面有什么。如果入门了，就要开始聚焦一个专业细分领域了。因为涉及的概念太多，要迅速搜集信息，让自己尽快定位到需要专注学习的细分方向上。
人工智能、机器学习、深度学习的关系是什么？
深度学习是实现机器人学习的一种方式，机器学习是实现人工智能的一种方式。这三者属于一个从属的关系。下面详细解释一下：深度学习，机器学习，人工智能的各类概念。1、深度学习：相当于一种处理信息的方式。这上面的三个概念，在理解的时候，最好类比一下人类的思维习惯。然后就好理解这些模型和架构。外部信息输入进来之后——机器人通过什么处理方式进行梳理这部分数据，并且能够根据这个梳理完的数据，留存下载的信息，建立新的索引基础。
这就是深度学习的表面含义。说通俗点就是：我们在教育孩子的时候，第一次告诉他，桌子上的是碗，头顶的是灯。最开始小朋友学会了，只知道这这两个东西。后来他开始类比，只要是发光的，他都叫电灯。只要是白色的放桌上都叫碗。这种举一反三是非常合适的，这其实就属于深度学习中的数据处理单元。大部分人喜欢用这张图来说明，深度学习。
这么说吧，就这张图，可以说一本书的深度学习知识。咱们普通朋友，根本听不懂。换一张图解释一下深度学习。这么解释一下或许更好一些：1、当你有人第一次告诉你，桌子上的东西叫碗。你会形成一个向上的认知：碗是白色，可以盛饭，凹进去的。2、你闭上眼，不去看那个碗。你在大脑中，怎么描述碗？那就是一个反过来的过程：白色的，盛饭的，凹进去的就是碗。
你以后看到这种东西，第一时间不管对不对，理论上都应该说这是“碗”。3、伴随着时间的推移，你不见过了各式各样的碗，有青花瓷的，有玻璃的，有铁的等等。最后你形成了一个标签，凹进去，器皿。都可以叫碗。这就是一个比较简单深层学习过程。当然计算机实现起来，比我说的要复杂的多。那毕竟是一门学问，不是一篇文章。所以深度学习，跟以前的神经网络学习，建模分析等等都是机器处理数据的一种方法，可以说是机器人的思路。
机器学习是机器人掌握的各种思考方式的总和这里举一个例子：有不少家长问一些考过高考的学生，如何学习知识的，有没有经验，给我们推荐一下。有的学生说：要勤做笔记，多学会归纳总结。有的学生说：我不做笔记，太浪费时间，我喜欢举一反三，自己可以从一个知识点发散发所有的知识点。有的学生说：我就是笨方法，就是大量的刷题，熟能生巧。
这就是人类的学习方式！机器人的学习方式也一样：深度学习是一种，依赖大量数据各类总结的专家系统是一种。依靠神经网络，慢慢的学习进化，从基础开始学的机器人也是一种学习方式。如果这个机器人，很强，他什么学习方式都可以掌握。并且可以随时切换，采用最好的方式。甚至可以实现联想！人工智能是机器人学成之后，能够跟人类交互，人类能够看到的表象这就好像是，一个孩子成人了，成人之间交流，大家都说：嗯，这个小伙子成才了，很会为人处世——这就实现了学成之后的智能化。
人工智能、机器学习和深度学习的区别是什么？
先来一张图镇楼：人工智能 从广义上讲，人工智能描述一种机器与周围世界交互的各种方式。通过先进的、像人类一样的智能——软件和硬件结合的结果——一台人工智能机器或设备就可以模仿人类的行为或像人一样执行任务。机器学习 机器学习是人工智能的一种途径或子集，它强调“学习”而不是计算机程序。一台机器使用复杂的算法来分析大量的数据，识别数据中的模式，并做出一个预测——不需要人在机器的软件中编写特定的指令。
在错误地将奶油泡芙当成橙子之后，系统的模式识别会随着时间的推移而不断改进，因为它会像人一样从错误中吸取教训并纠正自己。深度学习 深度学习是机器学习的一个子集，推动计算机智能取得长足进步。它用大量的数据和计算能力来模拟深度神经网络。从本质上说，这些网络模仿人类大脑的连通性，对数据集进行分类，并发现它们之间的相关性。
如果有新学习的知识(无需人工干预)，机器就可以将其见解应用于其他数据集。机器处理的数据越多，它的预测就越准确。人工智能是一类非常广泛的问题，机器学习是解决这类问题的一个重要手段。深度学习则是机器学习的一个分支。在很多人工智能问题上，深度学习的方法突破了传统机器学习方法的瓶颈，推动了人工智能领域的发展。
人工智能、机器学习、深度学习三者之间的关系？
人工智能、机器学习、深度学习三者之间的关系？有人说，人工智能（AI）是未来，人工智能是科幻，人工智能也是我们日常生活中的一部分。事实上，这些说法都是正确的，这一切都取决于你所指的是哪一种人工智能。例如，此前Google DeepMind的AlphaGo打败了韩国的围棋大师李世乭九段。在媒体描述DeepMind胜利的时候，就曾将人工智能（AI）、机器学习（Machine Learning）和深度学习（Deep Learning）都提到了。
这三者在AlphaGo击败李世乭的过程中都起了作用，但它们说的并不是一回事。要解释这三者之间的关系和应用，最简单的方法就是画一个同心圆，如下图，人工智能是最早出现的，也是最大、最外侧的同心圆；其次是机器学习，稍晚一点；最内侧，是深度学习，也是当今人工智能大爆炸的核心驱动。从概念的提出到走向繁荣1956年，几位计算机科学家相聚在达特茅斯会议（Dartmouth Conferences），提出了“人工智能”的概念。
其后，人工智能就一直萦绕在人们的脑海之中，并在科研实验室中慢慢孵化成形。在之后的几十年，人工智能一直在不停地两极反转，既有人把其称作人类文明耀眼的未来；也有人把其当做是技术疯子们的妄想，嗤之以鼻。坦白说，直到2012年之前，这两种声音都还同时存在。过去几年，尤其是自2015年以来，人工智能开始大爆发。
很大一部分原因是由于GPU的广泛应用，使得并行计算变得更快、更便宜、更有效。当然，无限拓展的存储能力和骤然爆发的数据洪流（大数据），也使得图像数据、文本数据、交易数据、映射数据全面海量爆发。让我们慢慢梳理一下计算机科学家们是如何将人工智能从最早的一点点星星之火，发展到能够支撑那些每天被数亿用户使用的实际应用的。
人工智能（Artificial Intelligence）——为机器赋予人的智能King me：扮演跳棋玩家的计算机程序，是最早的人工智能实例之一，在20世纪50年代激起了人工智能的早期浪潮。早在1956年夏天的那次会议上，人工智能的先驱们就梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器，既我们所谓的“强人工智能”（General AI）。
这是一个无所不能的机器，它有着我们所有的感知（甚至比人更多），以及我们所有的理性，可以像我们一样思考。人们在电影里也总是看到这样的机器人：像星球大战中友好的C-3PO；或者是邪恶的终结者。强人工智能目前还仅存在于电影和科幻小说中，原因很简单，因为我们还没法实现它们，至少目前还不行。我们目前能实现的，一般被称为“弱人工智能”（Narrow AI）。
弱人工智能是能够与人一样，甚至比人更好地执行特定任务的技术。例如，Pinterest上的图像分类；或者Facebook的人脸识别。这些都是弱人工智能在实践中的例子。这些技术实现了人类智能中某些特定部分。但它们是如何实现的？这种智能是从何而来？其答案就是同心圆中的第二层，机器学习。机器学习—— 一种实现人工智能的方法Spam free diet：机器学习能够帮助你的收件箱（相对地）摆脱垃圾邮件的困扰。
机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务的人工编码程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。机器学习直接来源于早期的人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。
众所周知，我们现在还没有实现强人工智能，而早期机器学习方法甚至连弱人工智能都无法实现。机器学习最成功的应用领域是计算机视觉，虽然也还是需要大量的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器，以便让程序能识别物体从哪里开始，到哪里结束；写形状检测程序来判断检测对象是不是有八条边；写分类器来识别字母“S-T-O-P”。
使用以上这些手工编写的分类器，人们总算可以开发算法来感知图像，判断图像是不是一个停止标志牌。这个结果还算不错，但还算不上是那种能让人为之一振的成功，特别是遇到云雾天，标志牌变得不是那么清晰可见，又或者被树遮挡一部分，算法就难以成功了。这也是为什么此前很长一段时间中，计算机视觉的性能一直无法接近到人类的水平。
它太僵化，并且太容易出现错误。随着时间的推进，学习算法的发展改变了一切。深度学习——一种实现机器学习的技术Herding cats：从YouTube视频中挑选猫的图像是深度学习的第一个突破性演示之一。人工神经网络（Artificial Neural Networks）是早期机器学习中的一个重要的算法，历经了数十年的推演。
神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一个神经元可以连接一定距离内的任意神经元不同，人工神经网络具有离散的层、连接和数据传播的方向。例如，我们可以把一幅图像切分成图像块，输入到神经网络的第一层。在第一层的每一个神经元都把数据传递到第二层。第二层的神经元也是完成类似的工作，把数据传递到第三层，以此类推，直到最后一层，然后生成结果。
每一个神经元都为它的输入分配权重，这个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重加权决定。我们仍以停止（Stop）标志牌为例。将一个停止标志牌图像的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、救火车一样的红颜色、鲜明的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论，它到底是不是一个停止标志牌。
神经网络会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。这个例子里，系统可能会给出这样的结果：86%可能是一个停止标志牌；7%的可能是一个限速标志牌；5%的可能是一个风筝挂在树上等等。然后网络结构告知神经网络，它的结论是否正确。此前，这样的神经网络并没得到为人工智能圈的认可。然而，事实上在人工智能出现的早期，神经网络就已经存在了，只是神经网络对于“智能”的贡献微乎其微。
其主要原因是因为即使是最基本的神经网络，也需要大量的运算。神经网络算法的运算需求难以得到满足。不过，还是有一些虔诚的研究团队（例如：多伦多大学的Geoffrey Hinton）坚持研究，实现了以超算为目标的并行算法的运行与概念证明。但也直到GPU得到广泛应用，这些努力才见到成效。我们回过头来看这个停止标志识别的例子。
神经网络是调制、训练出来的，时不时还是很容易出错的。它最需要的，就是训练。需要成百上千甚至几百万张图像来训练，直到神经元的输入的权值都被调制得十分精确，无论是否是雾天、晴天还是雨天，每次都能得到正确的结果。只有这个时候，我们才可以说神经网络成功地自学习到一个停止标志的样子；或者在Facebook的应用里，神经网络学习了如何识别你妈妈的脸；又或者是2012年吴恩达（Andrew Ng）教授在Google实现了神经网络学习到猫的样子等等。
吴恩达教授的突破在于，把这些神经网络从基础上显著地增大了。层数非常多，神经元也非常多，然后给系统输入海量的数据，来训练网络。在他的示例中，数据是一千万YouTube视频中的图像。吴教授为深度学习（deep learning）加入了“深度”（deep）。这里的“深度”所指的，正是神经网络中众多的层。现在，经过深度学习训练的图像识别，在一些场景中甚至可以比人做得更好：从识别猫，到辨别血液中癌症的早期成分，再到识别核磁共振成像中的肿瘤。
Google的AlphaGo先是学会了如何下围棋，然后与它自己下棋训练。它训练自己神经网络的方法，就是不断地与自己下棋，反复地下，永不停歇。深度学习，给人工智能以璀璨的未来深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。如今，深度学习已经能够实现各种任务，几乎使得所有的机器辅助功能都变为可能。
机器学习、深度学习和强化学习的关系和区别是什么？
给亲分享下人工智能、机器学习和深度学习、强化学习的区别与联系。2015年11月9日，Google发布人工智能系统TensorFlow并宣布开源。这两年在不管在国内还是在国外，人工智能、机器学习仿佛一夜之前传遍大街小巷。机器学习作为人工智能的一种类型，可以让软件根据大量的数据来对未来的情况进行阐述或预判。
如今，领先的科技巨头无不在机器学习下予以极大投入。Facebook、苹果、微软，甚至国内的百度，Google 自然也在其中。去年早些时候 Google DeepMind 的 AlphaGo 项目在举世瞩目的围棋比赛中一举击败了韩国选手李世石，媒体就是使用了人工智能、机器学习和深度学习这几个术语，来解释 DeepMind 获胜的原因，并将它们混为一谈。
但是三者其实不是一回事。区别与联系本文借助Michael Copeland的讲解，让我们撩开人工智能、机器学习和深度学习的概念，深入理解它们的关系和区别。为了搞清三者关系，我们来看一张图：如图所示：人工智能最大，此概念也最先问世；然后是机器学习，出现的稍晚；最后才是深度学习。从低潮到繁荣自从 1956 年计算机科学家们在达特茅斯会议（Dartmouth Conferences）上确认人工智能这个术语以来，人们就不乏关于人工智能奇思妙想，研究人员也在不遗余力地研究。
在此后的几十年间，人工智能先是被捧为人类文明光明未来的钥匙，后又被当作过于自大的异想天开而抛弃。但是在过去几年中，人工智能出现了爆炸式的发展，尤其是 2015 年之后。大部分原因，要归功于图形处理器（GPU）的广泛应用，使得并行处理更快、更便宜、更强大。另外，人工智能的发展还得益于几乎无限的存储空间和海量数据的出现（大数据运动）：图像、文本、交易数据、地图数据，应有尽有。
下面我们从发展的历程中来一一展开对人工智能、机器学习和深度学习的深度学习。人工智能人工智能先驱们在达特茅斯开会时，心中的梦想是希望通过当时新兴的计算机，打造拥有相当于人类智能的复杂机器。这就是我们所说的“通用人工智能”（General AI）概念，拥有人类五感（甚至更多）、推理能力以及人类思维方式的神奇机器。
在电影中我们已经看过无数这样的机器人，对人类友好的 C-3PO，以及人类的敌人终结者。通用人工智能机器至今只存在 于电影和科幻小说里，理由很简单：我们还实现不了，至少目前为止。我们力所能及的，算是“弱人工智能”（Narrow AI）：执行特定任务的水平与人类相当，甚至超越人类的技术。现实中有很多弱人工智能的例子。
这些技术有人类智能的一面。但是它们是如何做到的？智能来自哪里？这就涉及到下一个同心圆：机器学习。机器学习机器学习是实现人工智能的一种方法。机器学习的概念来自早期的人工智能研究者，已经研究出的算法包括决策树学习、归纳逻辑编程、增强学习和贝叶斯网络等。简单来说，机器学习就是使用算法分析数据，从中学习并做出推断或预测。
与传统的使用特定指令集手写软件不同，我们使用大量数据和算法来“训练”机器，由此带来机器学习如何完成任务。许多年来，计算机视觉一直是机器学习最佳的领用领域之一，尽管还需要大量的手动编码才能完成任务。研究者会手动编写一些分类器（classifier），如边缘检测筛选器，帮助程序辨别物体的边界；图形检测分类器，判断物体是否有八个面；以及识别“S-T-O-P”的分类器。
在这些手动编写的分类器的基础上，他们再开发用于理解图像的算法，并学习如何判断是否有停止标志。但是由于计算机视觉和图像检测技术的滞后，经常容易出错。深度学习深度学习是实现机器学习的一种技术。早期机器学习研究者中还开发了一种叫人工神经网络的算法，但是发明之后数十年都默默无闻。神经网络是受人类大脑的启发而来的：神经元之间的相互连接关系。
但是，人类大脑中的神经元可以与特定范围内的任意神经元连接，而人工神经网络中数据传播要经历不同的层，传播方向也不同。举个例子，你可以将一张图片切分为小块，然后输入到神经网络的第一层中。在第一层中做初步计算，然后神经元将数据传至第二层。由第二层神经元执行任务，依次类推，直到最后一层，然后输出最终的结果。每个神经元都会给其输入指定一个权重：相对于执行的任务该神经元的正确和错误程度。
最终的输出由这些权重共同决定。因此，我们再来看看上面提到的停止标志示例。一张停止标志图像的属性，被一一细分，然后被神经元“检查”：形状、颜色、字符、标志大小和是否运动。神经网络的任务是判断这是否是一个停止标志。它将给出一个“概率向量”（probability vector），这其实是基于权重做出的猜测结果。
在本文的示例中，系统可能会有 86% 的把握认定图像是一个停止标志，7% 的把握认为是一个限速标志，等等。网络架构然后会告知神经网络其判断是否正确。不过，问题在于即使是最基础的神经网络也要耗费巨大的计算资源，因此当时不算是一个可行的方法。不过，以多伦多大学 Geoffrey Hinton 教授为首的一小批狂热研究者们坚持采用这种方法，最终让超级计算机能够并行执行该算法，并证明该算法的作用。
如果我们回到停止标志那个例子，很有可能神经网络受训练的影响，会经常给出错误的答案。这说明还需要不断的训练。它需要成千上万张图片，甚至数百万张图片来训练，直到神经元输入的权重调整到非常精确，几乎每次都能够给出正确答案。不过值得庆幸的是Facebook 利用神经网络记住了你母亲的面孔；吴恩达 2012 年在谷歌实现了可以识别猫的神经网络。
如今，在某些情况下，通过深度学习训练过的机器在图像识别上表现优于人类，这包括找猫、识别血液中的癌症迹象等。谷歌的 AlphaGo 学会了围棋，并为比赛进行了大量的训练：不断的和自己比赛。强化学习强化学习(Reinforcement Learning),又称再励学习或者评价学习.也是机器学习的技术之一.所谓强化学习就是智能系统从环境到行为映射的学习，以使奖励信号(强化信号)函数值最大,由于外部给出的信息很少,强化学习系统必须依靠自身的经历进行自我学习.通过这种学习获取知识,改进行动方案以适应环境.强化学习最关键的三个因素是状态,行为和环境奖励.关于强化学习和深度学习的实例,最典型的莫过于谷歌的AlphaGo和AlphaZero两位了,前者通过深度学习中的深度卷积神经网络,在训练了大约三千万组人类的下棋数据,无数度电的情况下才搞出来的模型,而后者使用强化学习的方式,通过自己和自己下棋的方式搞出来的模型.而最终的实验结果也很让人震撼.AlphaGo干败了人类围棋顶尖高手,而AlphaZero干败了AlphaGo.强化学习（Reinforcement Learning），就是智能系统从环境到行为映射的学习，以使奖励信号(强化信号)函数值最大。
强化学习不同于连接主义学习中的监督学习，主要表现在教师信号上，强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号)，而不是告诉强化学习系统RLS(reinforcement learning system)如何去产生正确的动作。由于外部环境提供的信息很少，RLS必须靠自身的经历进行学习。
通过这种方式，RLS在行动-评价的环境中获得知识，改进行动方案以适应环境。总结人工智能的根本在于智能，而机器学习则是部署支持人工智能的计算方法。简单的将，人工智能是科学，机器学习是让机器变得更加智能的算法，机器学习在某种程度上成就了人工智能。_____________________________________________________________本文由挚金资本原创编译，本文作者 Michael Copeland 曾是 WIRED 编辑，现在是硅谷知名投资机构 Andreessen Horowitz 的合伙人。
何为人工智能、机器学习和深度学习？三者间的关系又是如何？
深度学习是机器学习的一个分支，机器学习是人工智能的主要研究内容之一。下面对这三个概念做一个概括性的描述，阐述这三个概念之间的内部联系。首先从人工智能开始说起。人工智能简单的说就是具备自主学习能力和决策能力的智能体，人工智能的概念是在1956年被提出的，经过60多年的发展，目前人工智能的研究领域被集中在自然语言处理、知识表示、自动推理、机器学习、计算机视觉和机器人学六个大的方面。
这些内容之间即联系密切又各成体系，共同描述了人工智能的概念。随着大数据的发展，人工智能在近些年也得到了一定程度上的发展，在很多特定场景下，已经有越来越多的智能体参与到劳动分工当中。其次看一下机器学习。目前机器学习的研发是人工智能领域的一个热门方向，简单的说机器学习就是从一堆杂乱无章的数据中找到其背后的规律（Machine Learning in Action）。
机器学习的步骤包括数据收集、数据整理、算法设计、训练算法、验证算法和使用算法，机器学习的一个重点是算法的设计和实现，机器学习中常见的算法包括决策树、朴素贝叶斯、kNN、Apriori、支持向量机等，目前在机器学习领域采用Python做算法实现是比较常见的选择。最后看一下深度学习，深度学习是机器学习的一个分支，深度学习是基于人工神经网络的一种研究，与机器学习一样，深度学习也分为监督式学习和无监督式学习两种情况。
深度学习有一个重要的特点就是“深”，这个“深”代表一种多层次的概念，也就是说深度学习会模拟人脑在考虑问题的时候将问题分解成多个抽象层去处理。简单的说，深度学习在输入层和输出层之间有多个处理层，每个层次代表一种抽象分析过程。人工智能是我的主要研究方向之一，目前我也在做机器学习方面的落地项目，我会陆续在头条写一些关于人工智能方面的文章，感兴趣的朋友可以关注我的头条号，相信一定会有所收获。
研一，在学机器学习和深度学习，为什么感觉越学越不会，怎么解决这个问题？
机器学习和深度学习的领域实在太大太广，需要找准一个自己感兴趣的领域，比如图像、NLP（自然语言处理），然后做几个课题，这样兴趣和成就感就来了。再者传统的机器学习和深度学习虽说有相交叉地方，但是国外有大神早就说过，一点不会机器学习的人也可以涉足深度学习领域，没有问题，只要你有强烈的好奇心和求知欲。本人研究NLP多年，每当实现一个小功能就会有成就感，这也是促进我在此领域不断前进的动力。
文章TAG：学习 深度 机器