如果你在科技領域，你經常會聽到人工智慧，機器學習，甚至是深度學習。怎樣才可以在正確的時間正確的使用這些詞？他們都是一樣的意思嗎？然而更多時候，人們總是混淆的使用它們。
人工智慧，機器學習和深度學習都是屬於乙個領域的乙個子集。但是人工智慧是機器學習的首要範疇。機器學習是深度學習的首要範疇。
深度學習是機器學習的乙個子集，機器學習是人工智慧的乙個子集
這個領域的興起應該歸功於深度學習。人工智慧和機器學習這個領域近年來一直在解決一系列有趣的問題，比如從自動化的雜貨店購買到自動駕駛汽車。
人工智慧：
人工智慧的定義可以分為兩部分，即「人工」和「智慧型」。「人工」比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或者人自身的智慧型程度有沒有高到可以創造人工智慧的地步，等等。但總的來說，「人工系統」就是通常意義下的人工系統。
尼爾遜教授對人工智慧下了這樣乙個定義：「人工智慧是關於知識的學科――怎樣表示知識以及怎樣獲得知識並使用知識的科學。」而另乙個美國麻省理工學院的溫斯頓教授認為：「人工智慧就是研究如何使計算機去做過去只有人才能做的智慧型工作。」這些說法反映了人工智慧學科的基本思想和基本內容。即人工智慧是研究人類智慧型活動的規律，構造具有一定智慧型的人工系統，研究如何讓計算機去完成以往需要人的智力才能勝任的工作，也就是研究如何應用計算機的軟硬體來模擬人類某些智慧型行為的基本理論、方法和技術。
人工智慧是研究使計算機來模擬人的某些思維過程和智慧型行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智慧型的原理、製造類似於人腦智慧型的計算機，使計算機能實現更高層次的應用。人工智慧將涉及到電腦科學、心理學、哲學和語言學等學科。可以說幾乎是自然科學和社會科學的所有學科，其範圍已遠遠超出了電腦科學的範疇，人工智慧與思維科學的關係是實踐和理論的關係，人工智慧是處於思維科學的技術應用層次，是它的乙個應用分支。從思維觀點看，人工智慧不僅限於邏輯思維，要考慮形象思維、靈感思維才能促進人工智慧的突破性的發展，數學常被認為是多種學科的基礎科學，數學也進入語言、思維領域，人工智慧學科也必須借用數學工具，數學不僅在標準邏輯、模糊數學等範圍發揮作用，數學進入人工智慧學科，它們將互相促進而更快地發展。
ai目標：
為了進一步解釋人工智慧的目標，研究人員將其擴充套件到這六個主要目標。
邏輯推理。使計算機能夠完**類能夠完成的複雜心理任務。例如下棋和解代數問題。
知識表達。使計算機能夠描述物件，人員和語言。例如能使用物件導向的程式語言 smalltalk。
規劃和導航。使計算機從a點到b點。例如，第一台自動駕駛機械人建於20世紀60年代初。
自然語言處理。使計算機能夠理解和處理語言。例如把英語翻譯成俄語，或者把俄語翻譯成英語。
感知。讓電腦通過視覺，聽覺，觸覺和嗅覺與世界交流。
緊急智慧型。也就是說，智慧型沒有被明確地程式設計，而是從其他ai特徵中明確體現。這個設想的目的是讓機器展示情商，道德推理等等。
ai領域
即使有了這些主要目標，這也沒有對具體的人工智慧演算法和技術進行分類。這些是人工智慧中的六大主要演算法和技術：
機器學習是人工智慧領域，使計算機不用明確程式設計就能學習。
搜尋和優化演算法，如梯度下降迭代搜尋區域性最大值或最小值。
約束滿足是找到一組約束的解決方案的過程，這些約束施加變數必須滿足的條件。
邏輯推理。人工智慧中邏輯推理的例子是模擬人類專家決策能力的專家計算機系統。
概率推理是將概率論的能力去處理不確定性和演繹邏輯的能力來利用形式論證的結構結合起來。其結果是乙個更豐富和更具表現力的形式主義與更廣泛應用領域。
控制理論是一種正式的方法來找到具有可證性的控制器。這通常涉及描述像機械人或飛機這樣的物理系統的微分方程組。
機器學習
機器學習是人工智慧的乙個子集。那麼什麼是機器學習呢？
機器學習(machine learning, ml)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。
它是人工智慧的核心，是使計算機具有智慧型的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納、綜合而不是演繹。
機器學習如此重要的原因是什麼？乙個重大突破導致機器學習成為人工智慧背後的動力 – 網際網路的發明。網際網路有大量的數字資訊被生成儲存和分析。機器學習演算法在這些大資料方面是最有效的。
神經網路 ⇱
如果我們談論機器學習時，值得一提的是機器學習演算法：神經網路。
神經網路是機器學習演算法的關鍵部分。神經網路是教計算機以人類的方式思考和理解世界的關鍵。實質上，神經網路是模擬人類的大腦。這被抽象為由加權邊緣（突觸）連線的節點（神經元）的圖形。有關神經網路的更多資訊請檢視神經網路概述。
這個神經網路有一層，三個輸入和乙個輸出。任何神經網路都可以有任何數量的層，輸入或輸出。
深度學習
機器學習演算法一直是人工智慧背後的推動力量。所有機器學習演算法中最關鍵的是深度學習。
深度學習的概念源於人工神經網路的研究。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徵形成更加抽象的高層表示屬性類別或特徵，以發現資料的分布式特徵表示。
這個神經網路有兩層，三個輸入和乙個輸出。任何神經網路都可以有任何數量的層，輸入或輸出。輸入神經元和最後一層輸出神經元之間的層是深層神經網路的隱藏層。
深度學習最好的表現是深度神經網路（dnn）。深層神經網路只是乙個超過兩層或三層的神經網路。然而，深度神經網路並不是深度學習演算法的唯一型別 -但它是最流行的型別。另乙個深度學習演算法是深度信任網路（dbn）。深層信任網路在層與層之間不直接聯絡。這意味著dnn和dbn的拓撲在定義上是不同的。dbn中的無向層被稱為 restricted boltzmann machines。
人工智慧 機器學習和深度學習
注 本文翻譯自網上的一篇文章，有刪節，原文 人工智慧 這個術語大家都比較熟悉。畢竟，它一直是電影中的熱門焦點，例如 終結者 黑客帝國 等等。但您最近可能還聽說過其他術語，如 機器學習 和 深度學習 有時它們與 人工智慧 交替使用。結果，人工智慧 機器學習和深度學習之間的區別可能非常不明確。接下來，我...
人工智慧 機器學習和深度學習
人工智慧定義 努力將通常由人類完成的智力任務自動化。人工智慧是乙個綜合性的領域，不僅包括機器學習與深度學習，還包括更多不涉及學習的方法。機器學習 給定包含預期結果的示例，機器學習將會發現執行一項資料處理任務的規則。機器學習的技術定義 在預先定義好的可能性空間中，利用反饋訊號的指引來尋找輸入資料的有用...
人工智慧,機器學習,深度學習
所謂人工智慧，通俗地講是指由人工製造出來的系統所表現出來的智慧型 機器學習簡單來講就是通過演算法，使機器能從大量歷史資料中學習規律，從而對新的樣本做出智慧型識別或對未來做 機器學習是基於概率統計 矩陣或圖模型而得出的分析結論 機器學習是人工智慧的乙個分支 深度學習是機器學習的乙個新領域 監督學習 邏...