人工智能、机器学习和深度学习只是彼此的子集。
从人工智能开始
人工智能这个词最早是在 1956 年创造出来的，但是现在人工智能变得越来越流行，为什么？这是因为数据量的巨大增长、先进的算法以及计算能力和存储的改进。
我们拥有的数据不足以预测准确的结果。但是现在数据量有了巨大的增长。统计数据表明，到 2020 年，大数据的累积量将从 4.4 zettabytes 增加到大约 44 zettabytes 或 44 万亿 GB 的数据。现在我们甚至拥有更先进的算法和高端的计算能力和存储，可以处理如此大量的数据。
什么是人工智能？
人工智能是一种技术，它允许机器通过复制他们的行为和性质来像人类一样行动。
人工智能使机器能够从他们的经验中学习。机器根据新的输入调整它们的响应，从而通过处理大量数据并识别其中的模式来执行类似人类的任务。
我们日常生活中的一些人工智能例子包括苹果的 Siri、下棋的电脑、特斯拉的自动驾驶汽车等等。这些示例基于深度学习和自然语言处理。
什么是机器学习？
机器学习出现在 80 年代末和 90 年代初。机器学习是人工智能的一个子集。它允许机器根据其经验（数据）进行学习和预测。
- 统计：如何高效训练大型复杂模型？
- 计算机科学与人工智能：如何训练更强大的人工智能系统版本？
- 神经科学：如何设计大脑的操作模型？
假设您想创建一个系统，该系统可以根据身高预测一个人的预期体重。您要做的第一件事是收集数据。让我们说这是您的数据的样子：
图表上的每个点代表一个数据点。首先，我们可以画一条简单的线来根据身高预测体重。
例如，一个简单的行：
W = H – 100
其中 W 是以 kg 为单位的体重，H 是以 cm 为单位的身高。
这条线可以帮助我们做出预测。我们的主要目标是减少估计值和实际值之间的差异。因此，为了实现它，我们尝试绘制一条适合所有这些不同点的直线，并将误差最小化并使它们尽可能小。减小误差或实际值与估计值之间的差异会提高性能。
此外，我们收集的数据点越多，我们的模型就越好。我们还可以通过添加更多变量（例如性别）并为它们创建不同的预测线来改进我们的模型。一旦创建了线，因此将来，如果将新数据（例如人的身高）输入模型，它会很容易地为您预测数据并告诉他预测的体重。
什么是深度学习？
深度学习是一种特殊的机器学习，它通过学习将世界表示为概念或抽象的嵌套层次结构，从而获得强大的力量和灵活性。
您可以将深度学习模型视为火箭发动机，它的燃料是我们提供给这些算法的大量数据。
深度学习的概念并不新鲜。但最近它的炒作有所增加，深度学习越来越受到关注。该领域是一种特殊的机器学习，其灵感来自于我们称为人工神经网络的脑细胞功能。它只是在所有人工神经元之间建立数据连接，并根据数据模式对其进行调整。如果数据量很大，则需要更多的神经元。它自动在多个抽象级别进行学习，从而允许系统学习复杂的函数映射，而不依赖于任何特定的算法。
用类比理解深度学习
让我从一个简单的例子开始，它从概念层面解释事物是如何工作的。
让我们尝试了解您如何从其他形状中识别正方形。
首先是检查一个图形是否有 4 条线（简单的概念对！）。如果是，我们进一步检查它们是否连接和闭合，如果是，我们最后检查它是否垂直并且它的所有边都相等（正确！）。好吧，这不过是一个嵌套的概念层次结构。
我们所做的是，在这种情况下，我们完成了一项识别正方形的复杂任务，并将其分解为更简单的任务。现在，这种深度学习也可以做到这一点，但规模更大。
让我们以识别动物的机器为例。机器的任务是识别给定的图像是猫还是狗。
如果我们被要求使用机器学习的概念来解决同样的问题，我们会怎么做？首先，我们将定义特征，例如检查动物是否有胡须，或者检查动物是否有尖耳朵，或者它的尾巴是直的还是弯曲的。
简而言之，我们将定义面部特征，并让系统识别哪些特征在对特定动物进行分类时更重要。
现在谈到深度学习。它使这一点提前了一步。与机器学习相比，深度学习会自动找出对分类很重要的特征，而机器学习则必须手动提供特征。
到目前为止，我想我的文章已经让你清楚 AI 是一个更大的图景，机器学习和深度学习是它的子部分，所以总结它我想说理解机器学习和深度学习之间区别的最简单方法是知道深度学习就是机器学习。更具体地说，它是机器学习的下一次进化。
