人工智能、机器学习、深度学习有啥不一样？终于懂了
稿源：驱动之家
2016是人工智能爆发的一年，各种层出不穷的新技术、新概念让人眼花缭乱。很多人都分不清人工智能（Artificial Intelligence，简称AI）、机器学习（Machine Learning，简称ML）以及深度学习（Deep Learning，简称DL）概念之间的不同。本文重点解释了机器学习和深度学习的差别。由于AI的大热，媒体上关于AI的文章狂轰乱炸，人工智能似乎已经成为游戏的改变者，企业们也纷纷下注。对于AI领域的从业者来说，人工智能、机器学习和深度学习之间的差别应该非常清楚。人工智能是一个大概念，从有效的老式人工智能（GOFAI）到联结主义结构，无所不包。机器学习则是人工智能领域的一个小分支，如果说AI是一个合集，那么ML就是AI的子集。任何通过数据训练的学习算法的相关研究都属于机器学习，包括很多已经发展多年的技术，比如线性回归（Linear Regression）、K均值（K-means，基于原型的目标函数聚类方法）、决策树（Decision Trees，运用概率分析的一种图解法）、随机森林（Random Forest，运用概率分析的一种图解法）、PCA（Principal Component Analysis，主成分分析）、SVM（Support Vector Machine，支持向量机）以及ANN（Artificial Neural Networks，人工神经网络）。人工神经网络则是深度学习的起源。一些之前接触过人工神经网络的机器学习从业者对深度学习的第一印象很可能是：这不过就是多层结构的人工神经网络而已。此外，深度学习成功的主要原因是大量可用的数据以及像GPU这样更强大的计算引擎的出现。这当然是事实，深度学习的出现基本要归因于这两方面的进展。但是，如果就此下结论说深度学习不过是比支持向量机或者决策树更好的算法而已，那就真的是一叶障目，不见泰山了。借用Andreesen的话“软件正在占领全世界”，那么深度学习就正在取代机器学习。两篇来自不同机器学习领域的从业者很好的解释了为什么深度学习正在占领全世界。神经语言程序学（NLP）的专家Chris Manning这样形容“深度学习海啸”：深度学习的浪潮在几年前就已经抵达计算语言学的海岸，但是2015似乎是这场海啸全面冲击各大自然语言处理（NLP）会议的一年。一些专家预言，最终的冲击将会更大。Nicholas Paragios则写了一篇名为“计算机视觉研究：大萧条”的文章，以下是文章节选：在高度复杂以及很大程度由图片的自由度决定的问题上，深度学习一旦被赋予大量被标记的数据以及不可想象（直到最近）的计算能力，就能解决所有的计算机视觉问题。如果是这样的话，那么深度学习占领业界，计算机视觉研究成为边缘学科并走上计算机图形的老路（学术研究的活跃度和数量）将只是时间问题。这两篇文章都强调了深度学习相对机器学习是有颠覆性的意义的。当然，深度学习在商用领域也具备同样的颠覆性。但是让人震惊和困惑的是，就连Gartner也没能分清机器学习和深度学习之间的差别。这里是Gartner于2016年8月份发布的发展规律周期图（Hyper Cycle），深度学习甚至没有被提及：尽管被Gartner忽视了，深度学习依然持续火热。目前对深度学习的炒作主要是：我们已经拥有了可以商用的机器，只要给它们足够多的数据和足够长的时间，它们就能够自己学习。这要么是夸大了深度学习的现有技术水平，要么就是将深度学习的实践过于简化了。在过去的几年里，深度学习产生了大量的想法和技术，这些在以前要么是未知的，要么是站不住脚的。起初，这些概念是碎片化而且毫无关联的，但是随着时间的推移，大量的模式和方法开始涌现，深度学习设计模式这一领域也变得热闹起来。今天的深度学习不仅仅是具备多层架构的感知器，而是一系列能够用来构建可组合可微分的体系结构的技术和方法。这些具有超强能力的机器学习系统只不过是我们目前所能看到的冰山一角。关键在于，虽然深度学习目前看起来像点金术，但是总有一天我们会学会如何像操控化学一样操控它。有了这个基础，我们将能够更好的预测机器学习未来所能具备的能力。
有好的文章希望站长之家帮助分享推广，猛戳这里
本网页浏览已超过3分钟，点击关闭或灰色背景，即可回到网页深度学习、机器学习傻傻分不清？这篇文章让你搞懂-基础器件-与非网
如果你经常想让自己弄清楚和的区别，阅读该文章，我将用通俗易懂的语言为你介绍他们之间的差别。机器学习和深度学习变得越来越火。突然之间，不管是了解的还是不了解的，所有人都在谈论机器学习和深度学习。无论你是否主动关注过数据科学，你应该已经听说过这两个名词了。
为了展示他们的火热程度，我在 Google trend 上搜索了这些关键字：
如果你想让自己弄清楚机器学习和深度学习的区别，请阅读本篇文章，我将用通俗易懂的语言为你介绍他们之间的差别。下文详细解释了机器学习和深度学习中的术语。并且，我比较了他们两者的不同，别说明了他们各自的使用场景。
什么是机器学习和深度学习?
让我们从基础知识开始：什么是机器学习？和什么是深度学习？如果你对此已有所了解，随时可以跳过本部分。
什么是机器学习？
一言以蔽之，由 Tom Mitchell 给出的被广泛引用的机器学习的定义给出了最佳解释。下面是其中的内容：
&计算机程序可以在给定某种类别的任务 T 和性能度量 P 下学习经验 E ，如果其在任务 T 中的性能恰好可以用 P 度量，则随着经验 E 而提高。&
是不是读起来很绕口呢？让我们用简单的例子来分解下这个描述。
示例 1：机器学习和根据人的身高估算体重
假设你想创建一个能够根据人的身高估算体重的系统（也许你出自某些理由对这件事情感兴趣）。那么你可以使用机器学习去找出任何可能的错误和数据捕获中的错误，首先你需要收集一些数据，让我们来看看你的数据是什么样子的：
图中的每一个点对应一个数据，我们可以画出一条简单的斜线来预测基于身高的体重
例如这条斜线：
Weight (in kg) = Height (in cm) & 100
&这些斜线能帮助我们作出预测，尽管这些斜线表现得很棒，但是我们需要理解它是怎么表现的，我们希望去减少预测和实际之间的误差，这也是衡量其性能的方法。
深远一点地说，我们收集更多的数据 (experience)，模型就会变得更好。我们也可以通过添加更多变量（例如性别）和添加不同的预测斜线来完善我们的模型。
示例2：飓风预测系统
我们找一个复杂一点的例子。假如你要构建一个飓风预测系统。假设你手里有所有以前发生过的飓风的数据和这次飓风产生前三个月的天气信息。
如果要手动构建一个飓风预测系统，我们应该怎么做？
首先我们的任务是清洗所有的数据找到数据里面的模式进而查找产生飓风的条件。
我们既可以将模型条件数据(例如气温高于40度，湿度在80-100等)输入到我们的系统里面生成输出；也可以让我们的系统自己通过这些条件数据产生合适的输出。
我们可以把所有以前的数据输入到系统里面来预测未来是否会有飓风。基于我们系统条件的取值，评估系统的性能(系统正确预测飓风的次数)。我们可以将系统预测结果作为反馈继续多次迭代以上步骤。
让我们根据前边的解释来定义我们的预测系统：我们的任务是确定可能产生飓风的气象条件。性能P是在系统所有给定的条件下有多少次正确预测飓风。经验E是我们的系统的迭代次数。
什么是深度学习?
深度学习的概念并不新颖。它已经存在好几年了。但伴随着现有的所有的炒作，深度的学习越来越受到重视。正如我们在机器学习中所做的那样，先来看看深度学习的官方定义，然后用一个例子来解释。
&深度学习是一种特殊的机器学习，通过学习将世界使用嵌套的概念层次来表示并实现巨大的功能和灵活性，其中每个概念都定义为与简单概念相关联，而更为抽象的表示则以较不抽象的方式来计算。&
这也有点让人混乱。下面使用一个简单示例来分解下此概念。
示例1: 形状检测
先从一个简单的例子开始，从概念层面上解释究竟发生了什么的事情。我们来试试看如何从其他形状中识别的正方形。
我们眼中的第一件事是检查图中是否有四条的线（简单的概念）。如果我们找到这样的四条线，我们进一步检查它们是相连的、闭合的和相互垂直的，并且它们是否是相等的（嵌套的概念层次结构）。
所以，我们完成了一个复杂的任务（识别一个正方形），并以简单、不太抽象的任务来完成它。深度学习本质上在大规模执行类似逻辑。
示例2: 猫 vs. 狗
我们举一个动物辨识的例子，其中我们的系统必须识别给定的图像中的动物是猫还是狗。阅读下此文，以了解深度学习在解决此类问题上如何比机器学习领先一步。
机器学习和深度学习的对比
现在的你应该已经对机器学习和深度学习有所了解，接下来我们将会学习其中一些重点，并比较两种技术。
数据依赖性
深度学习与传统的机器学习最主要的区别在于随着数据规模的增加其性能也不断增长。当数据很少时，深度学习算法的性能并不好。这是因为深度学习算法需要大量的数据来完美地理解它。另一方面，在这种情况下，传统的机器学习算法使用制定的规则，性能会比较好。下图总结了这一事实。
深度学习算法需要进行大量的矩阵运算，GPU 主要用来高效优化矩阵运算，所以 GPU 是深度学习正常工作的必须硬件。与传统机器学习算法相比，深度学习更依赖安装 GPU 的高端机器。
特征处理是将领域知识放入特征提取器里面来减少数据的复杂度并生成使学习算法工作的更好的模式的过程。特征处理过程很耗时而且需要专业知识。
在机器学习中，大多数应用的特征都需要专家确定然后编码为一种数据类型。
特征可以使像素值、形状、纹理、位置和方向。大多数机器学习算法的性能依赖于所提取的特征的准确度。
深度学习尝试从数据中直接获取高等级的特征，这是深度学习与传统机器学习算法的主要的不同。基于此，深度学习削减了对每一个问题设计特征提取器的工作。例如，卷积神经网络尝试在前边的层学习低等级的特征(边界，线条)，然后学习部分人脸，然后是高级的人脸的描述。更多信息可以阅读神经网络机器在深度学习里面的有趣应用。
问题解决方式
当应用传统机器学习算法解决问题的时候，传统机器学习通常会将问题分解为多个子问题并逐个子问题解决最后结合所有子问题的结果获得最终结果。相反，深度学习提倡直接的端到端的解决问题。
举例说明：
假设有一个多物体检测的任务需要图像中的物体的类型和各物体在图像中的位置。
传统机器学会将问题分解为两步：物体检测和物体识别。首先，使用一个边界框检测算法扫描整张图片找到可能的是物体的区域；然后使用物体识别算法(例如 SVM 结合 HOG )对上一步检测出来的物体进行识别。
相反，深度学习会直接将输入数据进行运算得到输出结果。例如可以直接将图片传给 YOLO 网络(一种深度学习算法)，YOLO 网络会给出图片中的物体和名称。
通常情况下，训练一个深度学习算法需要很长的时间。这是因为深度学习算法中参数很多，因此训练算法需要消耗更长的时间。最先进的深度学习算法 ResNet完整地训练一次需要消耗两周的时间，而机器学习的训练会消耗的时间相对较少，只需要几秒钟到几小时的时间。
但两者测试的时间上是完全相反。深度学习算法在测试时只需要很少的时间去运行。如果跟 k-nearest neighbors（一种机器学习算法）相比较，测试时间会随着数据量的提升而增加。不过这不适用于所有的机器学习算法，因为有些机器学习算法的测试时间也很短。
至关重要的一点，我们把可解释性作为比较机器学习和深度学习的一个因素。
我们看个例子。假设我们适用深度学习去自动为文章评分。深度学习可以达到接近人的标准，这是相当惊人的性能表现。但是这仍然有个问题。深度学习算法不会告诉你为什么它会给出这个分数。当然，在数学的角度上，你可以找出来哪一个深度神经网络节点被激活了。但是我们不知道神经元应该是什么模型，我们也不知道这些神经单元层要共同做什么。所以无法解释结果是如何产生的。
另一方面，为了解释为什么算法这样选择，像决策树(decision trees)这样机器学习算法给出了明确的规则，所以解释决策背后的推理是很容易的。因此，决策树和线性/逻辑回归这样的算法主要用于工业上的可解释性。
与非网专栏作者招募
你也许是工程师甲，每天默默画电路板、写代码；
你也许是高校老师乙，每天站在三尺讲台，传授知识；
你也许是项目经理丙，每天为得到客户认可而赶工、奔忙；
不管你身处何地是何种身份，只要你是电子领域的从业者，就一定有对这一行业的一些感受和看法。
可能你已修炼成资深行业观察家，如老师那样真知灼见；
可能你善于分析行业趋势，如侃侃而谈；
可能你精通某一项技术，如那样精讲技术而不失幽默；
可能你善于发现身边的工程师故事，如般娓娓道来。
也可能你和他们都不同，有自己想发表的观点，这样的你都是我们在等的人，只要你准备好了，&与非网专栏作者&就会成为你的一个标签。你不再是普通的路人&甲、乙、丙&，而是工程师和电子产业的发言人。
我们给专栏作者的展示机会：
1. 与非网主站【与非原创】栏目的集中展示：
2. 与非网主页：首页焦点、行业发现的重点推荐
3. 与非网微信：原创推送，直达核心行业读者
4. 如果专栏内容热度很高，我们还可以帮助联系相关出版社洽谈集结出版。
成功取决于行动力，赶紧将你的职场态度和行业观点进行整理、提炼成专栏大纲吧，以&专栏作者+大纲名称&为主题，发送到：editor#eefocus.com（请将#替换为@）即可，或者你还有些疑惑想更多了解专栏作者的情况，也可以加小编的微信+qq：详谈。
与非网专栏作者，我们等你！
关注与非网微信 ( ee-focus )
限量版产业观察、行业动态、技术大餐每日推荐
享受快时代的精品慢阅读
人工智能的浪潮正席卷全球，诸多词汇时刻萦绕在我们的耳边，如人工智能，机器学习，深度学习等。“人工智能”的概念早在1956年就被提出，顾名思义用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。
发表于： 15:37:26
昨天，OpenAI发布了一份名为《AI与计算》的分析报告，自2012年以来，AI训练任务所运用的算力每3.43个月就会翻倍，这一数字大大超越了芯片产业长期存在的摩尔定律（每18-24个月芯片的性能会翻一倍）。
发表于： 08:01:00
机器学习是一种非常有前景的技术，它的能力是飞跃性的提升，在不久的将来会实实在在、潜移默化地影响我们每个人和每个领域。正因如此，有几件事我认为每个人都应该了解。
发表于： 17:14:54
Hinton 2006提出的深度学习的概念
发表于： 17:07:39
人经常有两种方法去学习未知事物第一个方法是用严密的逻辑去证明事物的正确性。
发表于： 11:19:27
人工智能产业发展依靠数据，而数据作为一种新型“产权”也给法律提出了挑战。
发表于： 07:39:00
上一期我们谈了LED芯片在2018年的趋势与发展，这一次聊聊LED封装这个话题。受中国封装技术的提升和成本优势影响，中国大陆逐渐承接全球LED封装产业转移，已成为世界最大的LED封装生产基地，且市场占比仍在持续提高。
发表于： 16:53:32
RS-485总线优点众所皆知，并且为保证通信的稳定性，都会使用隔离RS-485模块进行信号隔离。但在RS-485实际组网时，或多或少会遇到不能通信、通信出错、RS-485收发器损坏等情况，其中究竟为何?本文将深度剖析RS-485组网问题。
发表于： 13:23:06
2018上海国际电子化学品与新材料展览会是&第20届中国工博会&旗下的一个关于新材料产业主题的专业展会。是关于新材料产业全面解决方案，也是新材料的专业用户以及新材料加工行业的国际盛会。
发表于： 10:31:56
正值五月，还没迎来三伏天，却已经一离开空调，就会觉得自己快要“热化了”。
发表于： 10:04:27
与非门科技(北京)有限公司 All Rights Reserved.
京ICP证:070212号
北京市公安局备案编号： 京ICP备：号没有更多推荐了，
不良信息举报
举报内容：
一篇文章搞懂人工智能、机器学习和深度学习之间的区别
举报原因：
原文地址：
原因补充：
最多只允许输入30个字
加入CSDN，享受更精准的内容推荐，与500万程序员共同成长！没有更多推荐了，
不良信息举报
举报内容：
人工智能、机器学习、深度学习三者之间的同心圆关系
举报原因：
原文地址：
原因补充：
最多只允许输入30个字
加入CSDN，享受更精准的内容推荐，与500万程序员共同成长！没有更多推荐了，
不良信息举报
举报内容：
人工智能、机器学习和深度学习三者怎么区别？
举报原因：
原文地址：
原因补充：
最多只允许输入30个字
加入CSDN，享受更精准的内容推荐，与500万程序员共同成长！