過去幾年，人工智能一直是最熱門話題之一。優秀人才紛紛參與人工智能研究，大型企業會撥出鉅額資金支持該領域發展，而人工智能初創企業每年可以獲得數十億美元的投資。
如果你正在考慮改進業務流程，或正在尋求新的想法，那麼很可能會想到人工智能。為了更高效地運用人工智能，需要深入瞭解其組成部分。
人工智能
人工智能到底是什麼？Keras之父、Google人工智能研究員Francois Chollet在其書《Python深度學習》（Deep Learning with Python）中給出了一個簡短的定義：“人類通過努力實現智力活動的自動化。因此，人工智能是一個涵蓋機器學習和深度學習的通用領域，也包括許多不涉及任何學習的方法。”
例如，如今聊天機器人的前身Eliza是由麻省理工學院人工智能實驗室創造的。這個程序可以和人類進行長時間對話，但不能在對話中學習新單詞或糾正行為。Eliza的行為是通過一種特殊的編程語言明確制定的。
現代意義上的人工智能始於20世紀50年代，艾倫•圖靈(Alan Turing)和達特茅斯研討會(Dartmouth workshop)將這一領域的首批愛好者聚集在一起，由此形成了人工智能科學的基本原理。此外，在成為當今世界科學關鍵領域的過程中，人工智能產業經歷了多次興趣激增和衰退（也就是所謂的“人工智能的冬天”）。
值得一提的是強人工智能和弱人工智能的假設。強人工智能可以思考，並能夠像一個獨立的人一樣擁有意識。弱人工智能則沒有這些能力，只能執行一定範圍內的任務（下棋、識別圖像中的貓或畫一張售價43.25萬美元的畫）。目前已有的都屬於弱人工智能，還不必過於擔心。
如今，離開人工智能，人類幾乎寸步難行。無論是開車、自拍、上網購物還是安排度假，幾乎隨處都能發現人工智能的存在。這種存在極易被忽略，卻非常重要。
機器學習
不管是人工智能還是非人工智能，其關鍵特徵是學習的能力。對人工智能而言，有一系列機器學習模型負責培養這種能力。其本質與經典算法不同。經典算法是一組清晰的指令，能將輸入的數據轉換成結果，而機器學習基於數據樣本和相應結果，在數據中發現模式並生成一種算法，能夠將任意數據轉換成所需的結果。
機器學習主要分為三類：
監督學習——系統以已知結果的數據樣本為基礎，對每一個樣本進行訓練。機器學習有兩種任務最為熱門：迴歸 （regression）和分類（classification）。迴歸針對連續型變量，比如房價或製造業排放水平。分類則是對某一類別的預測。例如，一封郵件是否屬於垃圾郵件，某一本書屬於偵探小說還是百科全書等等。
無監督學習——系統本身發現數據內部的關係和模式。在此情況下，每一個樣本的結果都是未知的。
強化學習——一種獎勵系統正確行為，懲罰系統錯誤行為的方法。因此，系統學會了開發某種算法，可以得到最高的獎勵和最低的懲罰。
一個理想的機器學習模型可以分析任何數據，找到所有的模式，並創建算法以實現所有期望得到的結果。但這一理想的模型尚未建立。華盛頓大學教授Pedro Domingos在其著作《主算法》（The Master Algorithm）中就有講到其創建過程。
如今的機器學習模型專注於特定的任務，都有各自的優缺點。這些模型包括：
線性迴歸（Linear regression）是一種經典的統計模型。顧名思義，它是為迴歸任務設計的，即可以用來預測連續值。例如，檸檬水的銷量高低取決於天氣的好壞。
邏輯迴歸（Logistic regression）用於分類任務，預測給定樣本屬於特定類別的概率。
決策樹(Decision Tree）是一種常用的分類方法。在這種方法中，給定對象的類別根據一系列問題的回答來確定。每一問題的答案通常為“是”或“否”。
K最近鄰(k-Nearest Neighbor，KNN)分類算法是一種簡單、快速的分類方法。在這種方法中，如果一個樣本在特徵空間中的k（個k可以為任意值）最相似(即特徵空間中最鄰近)的樣本中的大多數屬於某一個類別，則該樣本也屬於這個類別。
樸素貝葉斯（Naive Bayes）是一種流行的分類方法。它利用概率論和貝葉斯定理來確定某一事件（某一郵件為垃圾郵件）在給定條件下的可能性（郵件中20次出現“免息貸款”等詞彙）。
支持向量機(Support Vector machines) 簡稱SVM，是一種監督機器學習算法，常用於分類任務。即使每個對象之間有很多相互關聯的特性，它也能夠有效分離不同類別的對象。
集成學習(Ensembles)結合了許多機器學習模型，並根據“投票法”，即少數服從多數，或將結果平均化，從而確定對象類別。
神經網絡（Neural networks）是以人腦的原理為基礎的。神經網絡由許多相互聯繫的神經元組成。神經元可以表示為具有多個輸入和一個輸出的函數。每個神經元從輸入中獲取參數(每個輸入的不同權重決定了其重要程度)，對其執行特定功能，並將結果輸出。一個神經元的輸出可以是另一個神經元的輸入。因此，多層神經網絡得以形成。這是深度學習的主題。之後將對這個問題進行詳細討論。
神經元結構圖:
含兩層隱藏層的人工神經網絡：
通過研究給定樣本，神經網絡調整神經元之間的權重，使對預期結果影響最大的神經元獲得最大的權重。例如，如果一個動物是條紋的，毛茸茸的，會喵喵叫，那麼它很可能是一隻貓。同時，我們將最大權值賦給“會喵喵叫”這一參數。所以，如果這隻動物沒有條紋，也不是毛茸茸的，但會喵喵叫——它仍然很可能是一隻貓。
深度學習
深度學習涉及到深度神經網絡。關於深度的觀點各有不同。一些專家認為，有兩個或以上隱藏層的神經網絡，即可被認為是深度的；而另一些專家則認為，只有擁有多個隱藏層的神經網絡，才可以被認為是深度的。
現在已經有一些不同類型的神經網絡得到了積極的應用。其中最受歡迎的有：
長短期記憶網絡(LSTM)用於文本分類和生成、語音識別、創作歌曲和時間序列預測。
卷積神經網絡（CNN)用於圖像識別、視頻分析和自然語言處理任務。
結論
那麼，人工智能、機器學習和深度學習之間有什麼區別呢?相信通過閱讀這篇文章，你已經有了答案。人工智能是智能任務自動化的一個廣泛領域(如閱讀、下圍棋、圖像識別和建造自動駕駛汽車)；機器學習是一套人工智能方法，負責培養人工智能的學習能力；深度學習則屬於研究多層神經網絡的機器學習方法。
我們一起分享AI學習與發展的乾貨
編譯組：徐夢瑤、楊敏迎
相關鏈接：
https://www.kdnuggets.com/2019/08/artificial-intelligence-vs-machine-learning-vs-deep-learning-difference.html
閱讀更多 讀芯術 的文章
