對(duì)于很多初入學(xué)習(xí)人工智能的學(xué)習(xí)者來說，對(duì)人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的概念和區(qū)別還不是很了解，有可能你每天都能聽到這個(gè)概念，也經(jīng)常提這個(gè)概念，但是你真的懂它們之間的關(guān)系嗎？那么接下來就給大家從概念和特點(diǎn)上進(jìn)行闡述。先看下三者的關(guān)系。

人工智能包括了機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)包括了深度學(xué)習(xí)，他們是子類和父類的關(guān)系。

下面這張圖則更加細(xì)分。

人工智能（ArTIficial Intelligence），英文縮寫為AI。是計(jì)算機(jī)科學(xué)的一個(gè)分支，二十世紀(jì)七十年代以來被稱為世界三大尖端技術(shù)之一（空間技術(shù)、能源技術(shù)、人工智能）。也被認(rèn)為是二十一世紀(jì)三大尖端技術(shù)（基因工程、納米科學(xué)、人工智能）之一。1956年夏季，以麥卡賽、明斯基、羅切斯特和申農(nóng)等為首的一批有遠(yuǎn)見卓識(shí)的年輕科學(xué)家在一起聚會(huì)，共同研究和探討用機(jī)器模擬智能的一系列有關(guān)問題，并首次提出了“人工智能”這一術(shù)語，它標(biāo)志著“人工智能”這門新興學(xué)科的正式誕生。人工智能是對(duì)人的意識(shí)、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過人的智能。數(shù)學(xué)常被認(rèn)為是多種學(xué)科的基礎(chǔ)科學(xué)，數(shù)學(xué)也進(jìn)入語言、思維領(lǐng)域，人工智能學(xué)科也必須借用數(shù)學(xué)工具。

人工智能實(shí)際應(yīng)用：機(jī)器視覺，指紋識(shí)別，人臉識(shí)別，視網(wǎng)膜識(shí)別，虹膜識(shí)別，掌紋識(shí)別，專家系統(tǒng)，自動(dòng)規(guī)劃，智能搜索，定理證明，博弈，自動(dòng)程序設(shè)計(jì)，智能控制，機(jī)器人學(xué)，語言和圖像理解，遺傳編程等。涉及到哲學(xué)和認(rèn)知科學(xué)，數(shù)學(xué)，神經(jīng)生理學(xué)，心理學(xué)，計(jì)算機(jī)科學(xué)，信息論，控制論，不定性論等學(xué)科。研究范疇包括自然語言處理，知識(shí)表現(xiàn)，智能搜索，推理，規(guī)劃，機(jī)器學(xué)習(xí)，知識(shí)獲取，組合調(diào)度問題，感知問題，模式識(shí)別，邏輯程序設(shè)計(jì)軟計(jì)算，不精確和不確定的管理，人工生命，神經(jīng)網(wǎng)絡(luò)，復(fù)雜系統(tǒng)，遺傳算法等。人工智能目前也分為：強(qiáng)人工智能（BOTTOM-UP AI）和弱人工智能（TOP-DOWN AI），有興趣大家可以自行查看下區(qū)別。

機(jī)器學(xué)習(xí)（Machine Learning， ML），是人工智能的核心，屬于人工智能的一個(gè)分支，是一個(gè)大的領(lǐng)域，是讓計(jì)算機(jī)擁有像人一樣的學(xué)習(xí)能力，模擬和實(shí)現(xiàn)人的學(xué)習(xí)行為和能力，可以像人一樣具有識(shí)別和判斷的能力，可以看作是仿生學(xué)。機(jī)器學(xué)習(xí)的核心就是數(shù)據(jù)，算法（模型），算力（計(jì)算機(jī)運(yùn)算能力）。以前也有人工智能，機(jī)器學(xué)習(xí)。不過最近幾年網(wǎng)絡(luò)發(fā)展和大數(shù)據(jù)的積累，使得人工智能能夠在數(shù)據(jù)和高運(yùn)算能力下發(fā)揮它的作用。機(jī)器學(xué)習(xí)應(yīng)用領(lǐng)域十分廣泛，例如：數(shù)據(jù)挖掘、數(shù)據(jù)分類、計(jì)算機(jī)視覺、自然語言處理（NLP）、生物特征識(shí)別、搜索引擎、醫(yī)學(xué)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(shí)別、戰(zhàn)略游戲和機(jī)器人運(yùn)用等。

李飛飛說，機(jī)器是又快又準(zhǔn)確，但是人類聰明呀！機(jī)器學(xué)習(xí)其實(shí)是在總結(jié)數(shù)據(jù)，預(yù)測未知。它具有高速的計(jì)算能力，我們可以通過不斷的學(xué)習(xí)用它來識(shí)別各種植物、動(dòng)物等，并提高準(zhǔn)確率。

機(jī)器學(xué)習(xí)就是設(shè)計(jì)一個(gè)算法模型來處理數(shù)據(jù)，輸出我們想要的結(jié)果，我們可以針對(duì)算法模型進(jìn)行不斷的調(diào)優(yōu)，形成更準(zhǔn)確的數(shù)據(jù)處理能力。但這種學(xué)習(xí)不會(huì)讓機(jī)器產(chǎn)生意識(shí)。

機(jī)器學(xué)習(xí)的工作方式

1. 選擇數(shù)據(jù)：將你的數(shù)據(jù)分成三組：訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)和測試數(shù)據(jù)。

2. 模型數(shù)據(jù)：使用訓(xùn)練數(shù)據(jù)來構(gòu)建使用相關(guān)特征的模型。

3. 驗(yàn)證模型：使用你的驗(yàn)證數(shù)據(jù)接入你的模型。

4. 測試模型：使用你的測試數(shù)據(jù)檢查被驗(yàn)證的模型的表現(xiàn)。

5. 使用模型：使用完全訓(xùn)練好的模型在新數(shù)據(jù)上做預(yù)測。

6. 調(diào)優(yōu)模型：使用更多數(shù)據(jù)、不同的特征或調(diào)整過的參數(shù)來提升算法的性能表現(xiàn)。

基于學(xué)習(xí)策略的分類

1. 機(jī)械學(xué)習(xí) （Rote learning）

2. 示教學(xué)習(xí) （Learning from instrucTIon或Learning by being told）

3. 演繹學(xué)習(xí) （Learning by deducTIon）

4. 類比學(xué)習(xí) （Learning by analogy）

5. 基于解釋的學(xué)習(xí) （ExplanaTIon-based learning， EBL）

6. 歸納學(xué)習(xí) （Learning from induction）

基于所獲取知識(shí)的表示形式分類

1. 代數(shù)表達(dá)式參數(shù)

2. 決策樹

3.形式文法

4.產(chǎn)生式規(guī)則

5. 形式邏輯表達(dá)式

6. 圖和網(wǎng)絡(luò)

7. 框架和模式（schema）

8. 計(jì)算機(jī)程序和其它的過程編碼

9. 神經(jīng)網(wǎng)絡(luò)

10. 多種表示形式的組合

綜合分類

1. 經(jīng)驗(yàn)性歸納學(xué)習(xí) （empirical inductive learning）

2. 分析學(xué)習(xí)（analytic learning）

3. 類比學(xué)習(xí)

4. 遺傳算法（genetic algorithm）

5. 聯(lián)接學(xué)習(xí)

6. 增強(qiáng)學(xué)習(xí)（reinforcement learning）

學(xué)習(xí)形式分類

1. 監(jiān)督學(xué)習(xí)（supervised learning）

2. 非監(jiān)督學(xué)習(xí)（unsupervised learning）

注：細(xì)分的話還有半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。當(dāng)然，后面的深度學(xué)習(xí)也有監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)的區(qū)分。