很多人可能不明白『機器學(xué)習(xí)』、『AI（人工智能）』和『深度學(xué)習(xí)』之間的區(qū)別。這些都是現(xiàn)代數(shù)據(jù)技術(shù)應(yīng)用中的重要關(guān)鍵字，但由于它們很相似，因此極易混淆。但是為了將 AI 引入日常工作中，正確理解這三個關(guān)鍵字的范圍很重要。

人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)已成為當(dāng)今商業(yè)世界中最受關(guān)注的技術(shù)，因為公司正在使用這些創(chuàng)新來構(gòu)建智能機器和應(yīng)用程序。盡管這些術(shù)語在全世界的商業(yè)對話中占主導(dǎo)地位，但許多人很難區(qū)分它們。

在進入技術(shù)細(xì)節(jié)之前，讓我們看看技術(shù)影響者、行業(yè)人士和作者對這三個概念有什么看法。

• 人工智能是創(chuàng)造智能智能機器的概念。
• 機器學(xué)習(xí)是人工智能的一個子集，可幫助您構(gòu)建人工智能驅(qū)動的應(yīng)用程序。
• 深度學(xué)習(xí)是機器學(xué)習(xí)的一個子集，使用大量數(shù)據(jù)和復(fù)雜的算法來訓(xùn)練模型。

先說結(jié)論，如果你贊同的話記得三聯(lián)，然后往下看。

三者間的關(guān)系

機器學(xué)習(xí)、AI、深度學(xué)習(xí)的屬性是一樣的，只是占據(jù)的范圍不同。

人工智能的范圍最廣，是指使用機器再現(xiàn)人類智能的所有技術(shù)。機器學(xué)習(xí)屬于人工智能的范疇，是實現(xiàn)人工智能的技術(shù)之一。此外深度學(xué)習(xí)是這種機器學(xué)習(xí)的學(xué)習(xí)方法之一。

此外機器學(xué)習(xí)和深度學(xué)習(xí)之間存在技術(shù)差異。兩者都分析檢索數(shù)據(jù)中的哪些元素會影響結(jié)果。在機器學(xué)習(xí)中，人類對此進行判斷和調(diào)整，但在深度學(xué)習(xí)中機器會自動進行結(jié)果的計算判斷。

無論應(yīng)用機器學(xué)習(xí)、AI、還是深度學(xué)習(xí)都需要從數(shù)據(jù)分析下手，整理我們需要的原始數(shù)據(jù)。 最近體驗了一下猴子老師的數(shù)據(jù)分析入門課程，對基礎(chǔ)數(shù)據(jù)處理的方法講解的還是很透徹的。想要入行的小伙伴建議看看正確的數(shù)據(jù)預(yù)處理的方式和方法，為日后不論機器學(xué)習(xí)、深度學(xué)習(xí)還是人工智能打下一個良好的基礎(chǔ)。

前 IBM 數(shù)據(jù)分析大咖 3 天實戰(zhàn)訓(xùn)練營打工人升職加薪必備立即解鎖

機器學(xué)習(xí)是什么

機器學(xué)習(xí)是基于計算機學(xué)習(xí)大量數(shù)據(jù)并基于算法分析信息的方法。通過樣本發(fā)現(xiàn)數(shù)據(jù)規(guī)律，主要應(yīng)用于識別（分類）和數(shù)據(jù)預(yù)測（回歸&分類）。通過統(tǒng)計學(xué)中的算法分析學(xué)習(xí)的結(jié)果構(gòu)建機器學(xué)習(xí)模型，完成輸出數(shù)據(jù)返回的結(jié)果輸出機制。分析的準(zhǔn)確程度依照不同的模型分成不同的評估方法，比如AUC、AOC、MSE等等，雖然達不到100%的完美程度，但是可以通過不斷的優(yōu)化基礎(chǔ)數(shù)據(jù)和模型進行充分的提高。

根據(jù)要處理的數(shù)據(jù)類型和機器學(xué)習(xí)的目的，有各種機器學(xué)習(xí)算法，但它們可以大致分為三類：『有監(jiān)督學(xué)習(xí)』、『無監(jiān)督學(xué)習(xí)』和『強化學(xué)習(xí)』。

『有監(jiān)督學(xué)習(xí)』

意味著當(dāng)給出學(xué)習(xí)數(shù)據(jù)時，需要指定數(shù)據(jù)的結(jié)果（即正確答案）。機器學(xué)習(xí)模型學(xué)習(xí)諸如 『當(dāng)給定這樣的數(shù)據(jù)時，結(jié)果看起來像這樣』 的關(guān)系。通過足夠的訓(xùn)練能夠準(zhǔn)確預(yù)測給定沒有正確答案的數(shù)據(jù)時的結(jié)果。因此用于預(yù)測場景和目標(biāo)識別對象。

Mr數(shù)據(jù)楊：『迷你教程』使用XGBoost進行人口出生預(yù)測，時間序列版16 贊同 · 4 評論文章20 贊同 · 4 評論文章正在上傳…重新上傳取消

Mr數(shù)據(jù)楊：『迷你教程』利用主成分分析（PCA）居然可以做人臉識別2 贊同 · 0 評論文章3 贊同 · 0 評論文章正在上傳…重新上傳取消

一個監(jiān)督學(xué)習(xí)方法的例子。該算法使用狗和貓的標(biāo)記數(shù)據(jù)進行訓(xùn)練。訓(xùn)練后的模型預(yù)測新圖像是貓還是狗。

監(jiān)督學(xué)習(xí)的一些例子包括線性回歸、邏輯回歸、支持向量機、樸素貝葉斯和決策樹。

『無監(jiān)督學(xué)習(xí)』

在不給出正確答案數(shù)據(jù)的情況下學(xué)習(xí)數(shù)據(jù)之間的異同。由于沒有正確的答案，模型無法知道給定的數(shù)據(jù)的結(jié)果是什么。因此將學(xué)習(xí)數(shù)據(jù)之間的關(guān)系，例如 『這個數(shù)據(jù)和這個數(shù)據(jù)非常相似。這個數(shù)據(jù)與其他數(shù)據(jù)有不同的特征』。 當(dāng)想要檢測異常或?qū)?shù)據(jù)進行分類時，通常會使用無監(jiān)督學(xué)習(xí)。

Mr數(shù)據(jù)楊：『 迷你教程 』數(shù)據(jù)異常檢測你沒有聽過的隔離森林和核密度方法1 贊同 · 0 評論文章2 贊同 · 0 評論文章正在上傳…重新上傳取消

一個使用未標(biāo)記數(shù)據(jù)訓(xùn)練模型的無監(jiān)督學(xué)習(xí)方法示例。在這種情況下，數(shù)據(jù)由不同的車輛組成。該模型的目的是對每種車輛進行分類。

無監(jiān)督學(xué)習(xí)的一些示例包括 k 均值聚類、層次聚類和異常檢測。

『強化學(xué)習(xí)』

與監(jiān)督學(xué)習(xí)略有不同，將學(xué)習(xí)如何根據(jù)目的獲得最佳結(jié)果。具體來說機器學(xué)習(xí)模型是反復(fù)學(xué)習(xí) 『采取某種行動時得到了什么樣的結(jié)果』 。在學(xué)習(xí)的時候，如果采取的行動導(dǎo)致了好的結(jié)果則給出正分，如果導(dǎo)致不好的結(jié)果則給出負(fù)分，并且機器學(xué)習(xí)模型創(chuàng)建了通過試驗和最大化分?jǐn)?shù)的行動模式各種動作的誤差。我會推導(dǎo)出來的。強化學(xué)習(xí)用于圍棋游戲、自動駕駛和機器人控制的人工智能。

Mr數(shù)據(jù)楊：Python環(huán)境下用中文做了個《王者榮耀》AI腳本，附視頻13 贊同 · 5 評論文章16 贊同 · 5 評論文章正在上傳…重新上傳取消

一個示例展示了如何訓(xùn)練機器識別形狀。

強化學(xué)習(xí)算法的示例包括 Q 學(xué)習(xí)和深度 Q 學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。

這樣三種學(xué)習(xí)方法各自處理的數(shù)據(jù)和目的是不同的，因此需要根據(jù)應(yīng)用場景來使用它們。

AI（人工智能）是什么

AI 是人工智能的縮寫，是自 1950 年代以來一直在研究的計算機科學(xué)之一。通過結(jié)合算法和數(shù)據(jù)，人為的表述為再現(xiàn)人類的認(rèn)知和推理等動作。在現(xiàn)代 AI 這個詞的范圍非常廣泛，機器學(xué)習(xí)和深度學(xué)習(xí)也被視為實現(xiàn)AI的方法之一。換句話說機器學(xué)習(xí)作為一個領(lǐng)域包含在廣泛的人工智能中。

AI 可分為 『專用人工智能』和『通用人工智能』。

• 『專用人工智能』也稱為狹義人工智能，是專門從事一項任務(wù)的AI（人工智能），典型例子包括圖像識別、語音識別、自動駕駛技術(shù)等，可以理解成沒有思想和意識的 AI。是可以很好地執(zhí)行非常具體的任務(wù)的機器，通常比人類執(zhí)行的效果更好。然而這些機器的能力非常有限，只能在非常有限的環(huán)境中運行。
• 『通用人工智能』是一種執(zhí)行多項任務(wù)的人工智能，可以根據(jù)給定的信息自己思考和應(yīng)用，比如我們小時候都知道的哆啦A夢，與人類具有相同思想和意識的AI。可以被認(rèn)為非常像人類執(zhí)行復(fù)雜的任務(wù)。這些機器可以在沒有人工干預(yù)的情況下解決問題并將智能應(yīng)用于任何事情，并且更接近于我們在《星際迷航》等電影中看到的那些。

深度學(xué)習(xí)是什么

深度學(xué)習(xí)是機器學(xué)習(xí)中的一種學(xué)習(xí)方法。不同于其他機器學(xué)習(xí)方法，因為它使用一種稱為『神經(jīng)網(wǎng)絡(luò)』的技術(shù)進行學(xué)習(xí)。

神經(jīng)網(wǎng)絡(luò)具有不同的『神經(jīng)元』層（『輸入層』、『輸出層』和『隱藏層』），用于輸入數(shù)據(jù)、對其加權(quán)并返回輸出。通過堆疊『層』組成的。

在機器學(xué)習(xí)方法中，用算法處理數(shù)據(jù)需要將數(shù)據(jù)的特征、重點關(guān)注的部分等信息組織起來，交給機器學(xué)習(xí)模型。然而在深度學(xué)習(xí)中，隨著數(shù)據(jù)在每一層中被處理，如何處理數(shù)據(jù)的特征是確定的。因此對于視頻、圖像、音頻等難以組織的問題可以達到比其他方法更高的精度。

因此有很多領(lǐng)域利用圖像識別、語音識別、自然語言處理等深度學(xué)習(xí)取得了劃時代的進步，設(shè)計了自動駕駛、機器翻譯、人工智能助手等先進的人工智能技術(shù)。

Mr數(shù)據(jù)楊：面試官：都不懂Keras幾步實現(xiàn)神經(jīng)網(wǎng)絡(luò)還來面試算法工程師？2 贊同 · 1 評論文章2 贊同 · 1 評論文章正在上傳…重新上傳取消

深度學(xué)習(xí)幾個重要的網(wǎng)絡(luò)

• 卷積神經(jīng)網(wǎng)絡(luò) (CNN) - CNN 是一類最常用于圖像分析的深度神經(jīng)網(wǎng)絡(luò)。
• 循環(huán)神經(jīng)網(wǎng)絡(luò) (RNN) - RNN 使用順序信息來構(gòu)建模型。它通常更適用于必須記住過去數(shù)據(jù)的模型。
• 生成對抗網(wǎng)絡(luò) (GAN) - GAN 是一種算法架構(gòu)，它使用兩個神經(jīng)網(wǎng)絡(luò)來創(chuàng)建新的合成數(shù)據(jù)實例，以傳遞真實數(shù)據(jù)。受過照片訓(xùn)練的 GAN 可以生成新照片，這些照片在人類觀察者看來至少表面上是真實的。
• 深度信念網(wǎng)絡(luò) (DBN) - DBN 是一種生成圖形模型，由稱為隱藏單元的多層潛在變量組成。

機器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別

深度學(xué)習(xí)是機器學(xué)習(xí)方法之一。只要有足夠的訓(xùn)練數(shù)據(jù)，就可以利用神經(jīng)網(wǎng)絡(luò)自動提取數(shù)據(jù)的特征。

深度學(xué)習(xí)使學(xué)習(xí)以前難以數(shù)字化的非結(jié)構(gòu)化數(shù)據(jù)（圖像、自然語言、聲音）成為可能。

此外數(shù)字化變化的增加使得生成自然語言和檢測異常成為可能，提高了優(yōu)化和推薦的準(zhǔn)確性。

關(guān)注我私信回復(fù)（123）領(lǐng)機器學(xué)習(xí)+深度學(xué)習(xí)資料包（內(nèi)含電子書，學(xué)習(xí)路線，行業(yè)報告，最新技術(shù)指導(dǎo)）

總結(jié)

以上是生活随笔為你收集整理的人工智能、深度学习和机器学习有哪些区别？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。