人工智能、机器学习和深度学习

[注: 本文翻译自网上的一篇文章，有删节，原文：https://medium.com/iotforall/the-difference-between-artificial-intelligence-machine-learning-and-deep-learning-3aa67bff5991]

“人工智能”这个术语大家都比较熟悉。毕竟，它一直是电影中的热门焦点，例如“终结者”、“黑客帝国”等等。 但您最近可能还听说过其他术语，如“机器学习”和“深度学习”，有时它们与“人工智能”交替使用。结果，人工智能、机器学习和深度学习之间的区别可能非常不明确。

接下来，我将简单介绍人工智能（AI）、机器学习（ML）和深度学习（DL）的实际意义以及它们的不同之处。

那么AI、ML和DL有什么区别？

AI于1956年首先由John McCarthy创造，它涉及能够执行人类智能特征任务的机器。 虽然这有点笼统，但它包括规划、理解语言、识别物体和声音、学习和解决问题等内容。

我们可以将人工智能分为两大类：广义和狭义。广义AI将具有人类智能的所有特征，包括上面提到的能力。 狭义的AI则展现人类智慧的一些方面，并且可以很好地完成这一特征，但在其他领域缺乏相关能力。一台非常擅长识别图像的机器，但别无他用，这是狭义AI的一个例子。

本质上机器学习只是实现人工智能的一种途径。

亚瑟.塞缪尔(Arthur Samuel)在1959年创造人工智能后不久就创造了这个短语，将其定义为“无需明确编程就能具备的学习能力”。你可以在不使用机器学习的情况下获得人工智能，但是这需要建立数百万行具有复杂规则和决策树的代码。

因此，机器学习不是硬编码特定指令来完成特定任务的软件程序，而是一种“训练”算法的方式，以便学习如何做。 “训练”涉及向算法提供大量数据，并允许算法自行调整并改进。

举个例子，机器学习已经被用来大幅改进计算机视觉（机器识别图像或视频中的物体的能力）。 你收集数十万甚至数百万张图片，然后让人类给他们加标签。例如，人类可能会标记其中有猫的图片。然后，该算法试图建立一个模型，可以像人类那样准确地将图片标记为包含猫或不包含猫。 一旦准确度足够高，我们可以认为机器现在已经“学习”了猫的样子。

深度学习是机器学习的众多方法之一。其他方法包括决策树学习、归纳逻辑编程、聚类、强化学习和贝叶斯网络等。

深度学习受到大脑结构和功能的启发，即许多神经元的相互连接。人工神经网络（ANN）是模拟大脑生物结构的算法。

在人工神经网络中，有“神经元”，它们与其他“神经元”具有不连续的层和连接。每个图层挑选一个特定的要学习的特征，例如图像识别中的曲线/边缘。正是这种层次才给了深度学习这个名字，深度是通过使用多层而不是单层创建的。