“人工智能”一词已经流传了一段时间。 我们在科幻电影中看到它，我们玩的“AI”游戏机器人，Google搜索等等。 尽管如此，“机器学习”和“深度学习”已经浮出水面，很多人都在询问这些是什么。本文将给出具体的解释，让你轻松了解二者的区别。

人工智能是一般类别，三者都是共同的。 在图表中，人工智能将是包含机器和深度学习的更大的封装圈。 AI基本上是由机器演示的任何智能，在遇到问题时将其引导到最佳或次优解决方案。现在，像这样的算法不具备大多数人将“AI”与之相关联的认知，学习或解决问题的能力。 然而，该算法只是一个代理，在给定问题及其状态的情况下导致最优解。

属于AI但不属于机器学习的代理通常是仅使用决策树用于逻辑的代理，或者是使用规则和指令构建的代理。

机器学习：认知的迹象

Arthur Samuel在1959年创造了“机器学习”一词，将其定义为“没有明确编程就能学习的能力。”机器学习，最基本的形式，是使用算法解析数据，从中学习，以及 然后对世界上的某些事物做出决定或预测。 初学者最常见的例子是房价。 Redfin或Zillow这样的网站如何预测当前拥有的房屋的价格是多少?

这并不复杂。 机器学习的核心是，除了在很多方面外，它实际上只是制作了最佳的线条。 房价预测模型会查看大量数据，每个数据点都有几个维度，如大小，卧室数，浴室数，庭院空间等。它会根据这些输入参数创建一个函数，然后将系数转换为 这些参数中的每一个都在查看越来越多的数据。

这种机器学习方法称为“监督学习”，其中给予模型的数据包括每个输入集的问题答案。 它基本上为每组特征提供输入参数，称为特征和输出，模型从中调整其功能以匹配数据。 然后，当给定任何其他输入数据时，模型可以执行相同的功能并产生准确的输出。

机器学习的其他派系是无监督学习和强化学习。 简而言之，无监督学习只是发现数据的相似之处 - 在我们的房子示例中，数据不包括房价(数据只会输入，它没有输出)，模型可以说“嗯，基于这些参数，House 1最类似于House 3“或类似的东西，但无法预测给定房屋的价格。

代理在环境中采取行动，该环境被解释为状态的奖励和表示，其被反馈到代理中。 想想一个小宝宝：哭泣导致糖果 - 奖励。 随着时间的推移，如果父母一直满足孩子对糖果的渴望，婴儿每次想要糖果时都会学会哭泣。

深度学习：与人类的联系

深度学习的灵感来自大脑的结构和功能，即许多神经元的互连。 神经网络是模拟大脑生物结构的算法。

神经网络在人脑上松散地建模，由数千甚至数百万个密集互连的简单处理节点组成。 今天的大多数神经网络被组织成节点层，它们是“前馈”，意味着数据只在一个方向上穿过它们。 单个节点可能连接到其下面的层中的几个节点，从中接收数据，以及它上面的层中的几个节点，它们向其发送数据。

对于每个传入连接，节点将分配一个称为“权重”的数字。当网络处于活动状态时，节点在其每个连接上接收不同的数据项(不同的数字)，并将其乘以相关权重。然后它将得到的产品加在一起，产生一个数字。如果该数字低于阈值，则节点不会将数据传递到下一层。如果数量超过阈值，则节点“触发”，在今天的神经网络中通常意味着沿着其所有传出连接发送数字 - 加权输入的总和。

当训练神经网络时，其所有权重和阈值最初都设置为随机值。训练数据被馈送到底层 - 输入层 - 它通过后续层，以复杂的方式相乘并加在一起，直到它最终到达，从根本上转换到输出层。在训练期间，不断调整权重和阈值，直到具有相同标签的训练数据始终产生类似的输出。

深度学习基本上是关于类固醇的机器学习。 处理功能有多个层，通常，每个层都会提取一些有价值的信息。 例如，一个神经网络可以处理用于驾驶自动驾驶汽车的图像。 每个层将处理不同的东西，例如，第一层可以检测道路两侧的边缘。 另一层可以检测图像中的车道线，另一层可能是其他车辆。

比如计算机视觉功能的发展用例，谷歌曾经在2017年发布了一款AI硬件纸盒套件(也是旗下AI开源项目(AIY Projects)的作品)。其中，Vision Kit 就是一套简单的计算机视觉系统，它可以检测几千种常见物体，但也可以对人类的脸部表情进行检测，并显示出情绪，比如微笑、皱眉、愤怒、开心等等。