人工智能（AI），机器学习（Machine Learning），深度学习（Deep Learning）的区别_ai machine learning

人工智能（Artificial Intelligence，AI），机器学习（Machine Learning，ML），深度学习（Deep Learning，DL）这三个词现今使用非常广泛，他们之间可以相互替代使用，所以很多人对这三个词感到很迷惑，不明白他们之间的区别。尽管这三个词可以相互替代使用，但是他们之间是由差别的，特别是在应用，功能和结果(applications, capabilities, results)方面。

首先看一张图，这张图会在总体上或者直观上概述这三个术语之间的相互关系：

通过这种直观的可以将他们的关系理解为：AI具有更大的面积，ML是AI一个分支或者子集，DL又是ML的子集。AI的火爆是由DL强力驱动的。这个直观的图能消除大家对这三个术语的疑惑和误解，但是想要深入的理解还需要知道他们的定义，并结合实际有用的例子和案例理解他们的概念。

什么是Artificial Intelligence？

顾名思义，Artificial Intelligence，即人工智能是一个更广泛的概念，用于创建一个可以像人类智能一样运作的智能系统。术语“人工”和“智能”意味着“人类制造的思维能力”。基本上，人工智能是计算机科学的一个领域，用于将人类智能融入机器，这样这类机器或系统就可以像人类一样思考并做出明智的决定。人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。更准确地说，启用人工智能的系统不需要预先编程，而是使用这样的算法，这些算法可以使用自己的智能。什么样的算法能有自己的智能，怎么让算法自己学习智能呢？机器学习算法，如强化学习算法和深度学习神经网络，被用来创建这样的系统，是用来开发人工智能模型的一类技术。

日常中AI的案例

智能家居设备、Gmail中的自动邮件过滤器、自动驾驶汽车、聊天机器人、人工智能机器人、无人机和人工智能安全摄像头是人工智能集成的流行案例。

什么是Machine Learning？

机器学习就是让计算机系统能够通过从训练数据获得的经验去学习。我们已经知道了机器学习是人工智能的一个子集，但事实上，它是用来开发人工智能模型的一类技术。机器学习用于创建各种类型的人工智能模型，这些模型可以自己学习。而且，随着它获取的数据越多，它就越善于学习，并给出更准确的结果。ML实际上是一个训练算法学习并根据学习做出决策的过程。在训练基于ML的模型时，我们需要将某些机器学习训练数据集输入到算法中，使算法从数据中学到信息。如今，机器学习正被广泛应用于医疗保健、农业、零售、汽车、金融等领域。

什么是Deep Learning？

DL是机器学习的一个子集，它让计算机解决更复杂的问题，获得比任何类型的机器学习都更准确的结果。深度学习使用神经网络以更高的精度学习、理解、解释和解决关键问题。基于DL算法的神经网络大致收到主要在人脑中发现的信息处理模式的启发。当我们观察到新的事务或者接收到新的信息的时候，大脑会这些和大脑已知的内容做比较，然后大脑才能去感知，理解新的内容。在DL中，神经网络算法被用于感知新信息并给出结果。事实上，大脑通常试图解码它接收到的信息，并通过分类和将这些信息分配到不同的类别来存档。神经网络算法就是模仿人脑做决策的方式。

机器学习和深度学习之间的显著区别在于，深度学习可以理解细微的差异。因为DL可以自动确定用于分类的特征，而ML需要手动理解这些特征。与ML相比，DL需要高端机器和大量的深度学习训练数据才能给出更准确的结果。

自动翻译、客户购物体验、语言识别、自动驾驶汽车、情感分析、自动图像字幕生成和医学图像分析是我们日常生活中深度学习的主要示例。

AI应用领域：

虚拟助手或聊天机器人

农业和农业

自动飞行

零售、购物和时尚

安全和监控

体育分析和活动

制造和生产

实时库存和库存管理

自动驾驶汽车或自动驾驶汽车

医疗保健和医学影像分析

仓储和物流供应链

详见：https://medium.com/vsinghbisen/what-is-the-difference-between-ai-machine-learning-deep-learning-9b30217cb84a