人工智能

人工智能英文縮寫為AI，它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學。人工智能是計算機科學研究領域的一個重要分支，又是眾多學科的一個交叉學科，它企圖了解智能的實質，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括語音識別、圖像識別、機器人、自然語言處理、智能搜索和專家系統(tǒng)等等，人工智能可以對人的意識、思維的信息過程的模擬。人工智能包括眾多的分支領域，比如大家熟悉的機器學習、自然語言理解和模式識別等。

機器學習

機器學習屬于人工智能研究與應用的一個分支領域。機器學習的研究更加偏向理論性，其目的更偏向于是研究一種為了讓計算機不斷從數(shù)據(jù)中學習知識，而使機器學習得到的結果不斷接近目標函數(shù)的理論。

機器學習，引用卡內(nèi)基梅隆大學機器學習研究領域的著名教授Tom Mitchell的經(jīng)典定義：

如果一個程序在使用既有的經(jīng)驗E(Experience)來執(zhí)行某類任務T(Task)的過程中被認為是“具備學習能力的”，那么它一定要展現(xiàn)出：利用現(xiàn)有的經(jīng)驗E，不斷改善其完成既定任務T的性能(Performance)的特質。

機器學習已經(jīng)有了十分廣泛的應用，例如：數(shù)據(jù)挖掘、計算機視覺、自然語言處理、生物特征識別、搜索引擎、醫(yī)學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰(zhàn)略游戲和機器人運用。在我們當下的生活中，語音輸入識別、手寫輸入識別等技術，識別率相比之前若干年的技術識別率提升非常巨大，達到了將近97%以上，大家可以在各自的手機上體驗這些功能，這些技術來自于機器學習技術的應用。

深度學習

深度學習的概念源于人工神經(jīng)網(wǎng)絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示?；逎y懂的概念，略微有些難以理解，但是在其高冷的背后，卻有深遠的應用場景和未來。

關系

嚴格意義上說，人工智能和機器學習沒有直接關系，只不過是機器學習的方法被大量的應用于解決人工智能的問題而已。目前機器學習是人工智能的一種實現(xiàn)方式，也是最重要的實現(xiàn)方式。

深度學習是機器學習比較火的一個方向，其本身是神經(jīng)網(wǎng)絡算法的衍生，在圖像、語音等富媒體的分類和識別上取得了非常好的效果。

人工智能（AI）和機器學習（ML）現(xiàn)在是兩個非常熱門的流行語，通常似乎可以互換使用。但這二者并不完全一樣，但是有時會導致人們的看法有一些混亂，因此需要解釋這二者之間的區(qū)別。當大數(shù)據(jù)、數(shù)據(jù)分析，以及更廣泛的技術變革浪潮席卷全球時，這兩個術語都會頻繁出現(xiàn)?？傊?，最好的答案是：人工智能是一種機器能夠以人們認為“聰明”的方式執(zhí)行任務的更廣泛的概念。而且，機器學習是人工智能的一個最新應用，它基于這樣一個想法：真的應該能夠讓機器訪問數(shù)據(jù)，讓他們自己學習。

通俗理解機器學習：機器從數(shù)據(jù)中學習，進而得到一個更加符合現(xiàn)實規(guī)律的模型，通過對模型的使用使得機器比以往表現(xiàn)的更好。

舉個例子：

中學階段，學生通過做大量的練習題，為的就是在高考解決問題。高考的題目一般來說是之前肯定沒有遇到過的（無原題），但是這并不意味著這些題目我們無法解決。通過對之前所做過的練習題的分析，找到解題方法，同樣可以解決陌生的題目，這就是人類的學習。機器學習就是模擬人類學習的過程。

機器學習其實就是將這一套方式運用到機器上，利用一些已知的數(shù)據(jù)（平時的練習題）來訓練機器（做，讓機器自己分析這些數(shù)據(jù)，并找到內(nèi)在聯(lián)系（學習解題方法），構建模型，從而對未知的數(shù)據(jù)（高考題）進行預測判定等。

關于機器學習一些算法  可以關注 機器學習學習筆記