过去几年，人工智能一直是最热门话题之一。优秀人才纷纷参与人工智能研究，大型企业会拨出巨额资金支持该领域发展，而人工智能初创企业每年可以获得数十亿美元的投资。
如果你正在考虑改进业务流程，或正在寻求新的想法，那么很可能会想到人工智能。为了更高效地运用人工智能，需要深入了解其组成部分。
人工智能
人工智能到底是什么？Keras之父、Google人工智能研究员Francois Chollet在其书《Python深度学习》（Deep Learning with Python）中给出了一个简短的定义：“人类通过努力实现智力活动的自动化。因此，人工智能是一个涵盖机器学习和深度学习的通用领域，也包括许多不涉及任何学习的方法。”
例如，如今聊天机器人的前身Eliza是由麻省理工学院人工智能实验室创造的。这个程序可以和人类进行长时间对话，但不能在对话中学习新单词或纠正行为。Eliza的行为是通过一种特殊的编程语言明确制定的。
现代意义上的人工智能始于20世纪50年代，艾伦•图灵(Alan Turing)和达特茅斯研讨会(Dartmouth workshop)将这一领域的首批爱好者聚集在一起，由此形成了人工智能科学的基本原理。此外，在成为当今世界科学关键领域的过程中，人工智能产业经历了多次兴趣激增和衰退（也就是所谓的“人工智能的冬天”）。
值得一提的是强人工智能和弱人工智能的假设。强人工智能可以思考，并能够像一个独立的人一样拥有意识。弱人工智能则没有这些能力，只能执行一定范围内的任务（下棋、识别图像中的猫或画一张售价43.25万美元的画）。目前已有的都属于弱人工智能，还不必过于担心。
如今，离开人工智能，人类几乎寸步难行。无论是开车、自拍、上网购物还是安排度假，几乎随处都能发现人工智能的存在。这种存在极易被忽略，却非常重要。
机器学习
不管是人工智能还是非人工智能，其关键特征是学习的能力。对人工智能而言，有一系列机器学习模型负责培养这种能力。其本质与经典算法不同。经典算法是一组清晰的指令，能将输入的数据转换成结果，而机器学习基于数据样本和相应结果，在数据中发现模式并生成一种算法，能够将任意数据转换成所需的结果。
机器学习主要分为三类：
监督学习——系统以已知结果的数据样本为基础，对每一个样本进行训练。机器学习有两种任务最为热门：回归 （regression）和分类（classification）。回归针对连续型变量，比如房价或制造业排放水平。分类则是对某一类别的预测。例如，一封邮件是否属于垃圾邮件，某一本书属于侦探小说还是百科全书等等。
无监督学习——系统本身发现数据内部的关系和模式。在此情况下，每一个样本的结果都是未知的。
强化学习——一种奖励系统正确行为，惩罚系统错误行为的方法。因此，系统学会了开发某种算法，可以得到最高的奖励和最低的惩罚。
一个理想的机器学习模型可以分析任何数据，找到所有的模式，并创建算法以实现所有期望得到的结果。但这一理想的模型尚未建立。华盛顿大学教授Pedro Domingos在其著作《主算法》（The Master Algorithm）中就有讲到其创建过程。
如今的机器学习模型专注于特定的任务，都有各自的优缺点。这些模型包括：
线性回归（Linear regression）是一种经典的统计模型。顾名思义，它是为回归任务设计的，即可以用来预测连续值。例如，柠檬水的销量高低取决于天气的好坏。
逻辑回归（Logistic regression）用于分类任务，预测给定样本属于特定类别的概率。
决策树(Decision Tree）是一种常用的分类方法。在这种方法中，给定对象的类别根据一系列问题的回答来确定。每一问题的答案通常为“是”或“否”。
K最近邻(k-Nearest Neighbor，KNN)分类算法是一种简单、快速的分类方法。在这种方法中，如果一个样本在特征空间中的k（个k可以为任意值）最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。
朴素贝叶斯（Naive Bayes）是一种流行的分类方法。它利用概率论和贝叶斯定理来确定某一事件（某一邮件为垃圾邮件）在给定条件下的可能性（邮件中20次出现“免息贷款”等词汇）。
支持向量机(Support Vector machines) 简称SVM，是一种监督机器学习算法，常用于分类任务。即使每个对象之间有很多相互关联的特性，它也能够有效分离不同类别的对象。
集成学习(Ensembles)结合了许多机器学习模型，并根据“投票法”，即少数服从多数，或将结果平均化，从而确定对象类别。
神经网络（Neural networks）是以人脑的原理为基础的。神经网络由许多相互联系的神经元组成。神经元可以表示为具有多个输入和一个输出的函数。每个神经元从输入中获取参数(每个输入的不同权重决定了其重要程度)，对其执行特定功能，并将结果输出。一个神经元的输出可以是另一个神经元的输入。因此，多层神经网络得以形成。这是深度学习的主题。之后将对这个问题进行详细讨论。
神经元结构图:
含两层隐藏层的人工神经网络：
通过研究给定样本，神经网络调整神经元之间的权重，使对预期结果影响最大的神经元获得最大的权重。例如，如果一个动物是条纹的，毛茸茸的，会喵喵叫，那么它很可能是一只猫。同时，我们将最大权值赋给“会喵喵叫”这一参数。所以，如果这只动物没有条纹，也不是毛茸茸的，但会喵喵叫——它仍然很可能是一只猫。
深度学习
深度学习涉及到深度神经网络。关于深度的观点各有不同。一些专家认为，有两个或以上隐藏层的神经网络，即可被认为是深度的；而另一些专家则认为，只有拥有多个隐藏层的神经网络，才可以被认为是深度的。
现在已经有一些不同类型的神经网络得到了积极的应用。其中最受欢迎的有：
长短期记忆网络(LSTM)用于文本分类和生成、语音识别、创作歌曲和时间序列预测。
卷积神经网络（CNN)用于图像识别、视频分析和自然语言处理任务。
结论
那么，人工智能、机器学习和深度学习之间有什么区别呢?相信通过阅读这篇文章，你已经有了答案。人工智能是智能任务自动化的一个广泛领域(如阅读、下围棋、图像识别和建造自动驾驶汽车)；机器学习是一套人工智能方法，负责培养人工智能的学习能力；深度学习则属于研究多层神经网络的机器学习方法。
我们一起分享AI学习与发展的干货
编译组：徐梦瑶、杨敏迎
相关链接：
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
