如何区分人工智能、机器学习与深度学习？

现在科技行业的术语产生速度令人惊愕，几乎每天都有新名词被创造出来。最近一段时间人们讨论最多的莫过于人工智能、机器学习和深度学习了。

很多公司已经果断采取措施，开发人工智能、机器学习和深度学习方面的应用。这种商业氛围由来已久，驱动这些公司争先恐后开发新技术的既有担心落后于人的恐惧，也有对技术改变世界的憧憬和希望。

市场竞争的巨大压力，让每个公司都感受到了一股强烈的紧张感和急迫感，所有商业领袖都害怕一个不小心就错过了“风口”，落后于行业发展趋势。

人工智能和机器学习的概念并不是“新鲜玩意”，现在它们已经成为计算机行业最令人兴奋的名词，也似乎将给整个商界带来颠覆性改变。

但是为什么现在人工智能会这么火呢？不少专家相信，这是因为50年前人工智能就宣称能够帮助人类解决现实问题，而50年后的今天，它真的做到了。

人工智能、机器学习和深度学习正在改变整个科技世界，但是这些技术的发展全都得益于数据学的发展和过去在数据储存、计算和分析上的巨大投入。现在的技术进步一部分原因在于学习算法能够在越来越多的数据中发现模型。

那么，我们应该如何区分人工智能、机器学习和深度学习呢？解释这三者之间关系最简单、最直接的方法就是下图这张同心模型。这张图中还解释了三者的定义。

人工智能所包含的范围最广，其次是机器学习，机器学习是人工智能的子领域，最后是深度学习，就是驱动现在人工智能蓬勃发展的技术。

人工智能：三者中含义最广泛的术语，包括使用逻辑、如果-那么规则、决策树的能够模拟人类智力的所有技术（包含机器学习和深度学习）

机器学习：人工智能的子领域，包括了能够使机器改进任务体验的所有深奥统计技术，包含了深度学习

深度学习：机器学习的子领域，由多种算法组成，能够让软件的多层级神经网络接受大量数据的“训练”，提高在语音、图像识别等任务上的表现

机器学习是人工智能技术的核心概念，通过模拟人类的决策过程来搭建神经网络，解决现实世界中的问题。

而深度学习是机器学习工具和技术的子领域，深度学习的应用非常广泛，几乎涵盖了所有需要“思考”的应用情景，既包括人类的思考，也包括虚拟的“思维”。

机器学习的应用情景更适合公司和企业，因为机器学习能够解决一些实际的商业问题，如利用监督式学习模型（如回归模型和分级模型）来做出预测，或者利用无监督模型（如群集模型）来发现未知领域。

深度学习是机器学习的一部分，在一些应用领域也取得了令人瞩目的发展，如模式识别、图像分类、自然语言处理、自动驾驶等等。

相较于深度学期，随机森林（random forests）和梯度推进（gradientboosting）等机器学习技术在解决商业问题时表现更好。

深度学习是尝试学习具有多层神经网络的大数据集多层级特征，然后做出预测性决策。这就意味着深度学习包含了两个阶段：第一步，要利用大量输入数据来“训练”神经网络；第二步，就是用这个接受过“训练”的神经网络来“推测”，预测新数据的分布。

由于涉及的参数非常多，训练数据集规模也相当大，所以在神经网络的训练阶段，对参与训练的计算机算力要求非常的高。

下图总结了深度学习“训练”和“推测”阶段的流程：

翻译：灯塔大数据