雷鋒網按：2016是人工智慧爆發的一年，各種層出不窮的新技術、新概念讓人眼花繚亂。很多人都分不清人工智慧（artificial intelligence，簡稱ai）、機器學習（machine learning，簡稱ml）以及深度學習（deep learning，簡稱dl）概念之間的不同。本文為理解機器學習和深度學習提供了不同的視角。
由於ai的大熱，**上關於ai的文章狂轟亂炸，人工智慧似乎已經成為遊戲的改變者，企業們也紛紛下注。對於ai領域的從業者來說，人工智慧、機器學習和深度學習之間的差別應該非常清楚。人工智慧是乙個大概念，從有效的老式人工智慧（gofai）到聯結主義結構，無所不包。而機器學習則是人工智慧領域的乙個小分支，如果說ai是乙個合集，那麼ml就是ai的子集。任何通過資料訓練的學習演算法的相關研究都屬於機器學習，包括很多已經發展多年的技術，比如線性回歸（linear regression）、k均值（k-means，基於原型的目標函式聚類方法）、決策樹（decision trees，運用概率分析的一種**法）、隨機森林（random forest，運用概率分析的一種**法）、pca（principal component analysis，主成分分析）、svm（support vector machine，支援向量機）以及ann（artificial neural networks，人工神經網路）。而人工神經網路則是深度學習的起源。
一些之前接觸過人工神經網路的機器學習從業者對深度學習的第一印象很可能是：這不過就是多層結構的人工神經網路而已。此外，深度學習成功的主要原因是大量可用的資料以及像gpu這樣更強大的計算引擎的出現。這當然是事實，深度學習的出現基本要歸因於這兩方面的進展。但是，如果就此下結論說深度學習不過是比支援向量機或者決策樹更好的演算法而已，那就真的是一葉障目，不見泰山了。
借用andreesen的話「軟體正在占領全世界」，那麼深度學習就正在取代機器學習。兩篇來自不同機器學習領域的從業者很好的解釋了為什麼深度學習正在占領全世界。神經語言程式學（nlp）的專家chris manning這樣形容「深度學習海嘯」：
深度學習的浪潮在幾年前就已經抵達計算語言學的海岸，但是2015似乎是這場海嘯全面衝擊各大自然語言處理（nlp）會議的一年。一些專家預言，最終的衝擊將會更大。
在高度複雜以及很大程度由的自由度決定的問題上，深度學習一旦被賦予大量被標記的資料以及不可想象（直到最近）的計算能力，就能解決所有的計算機視覺問題。如果是這樣的話，那麼深度學習占領業界，計算機視覺研究成為邊緣學科並走上計算機圖形的老路（學術研究的活躍度和數量）將只是時間問題。這兩篇文章都強調了深度學習相對機器學習是有顛覆性的意義的。當然，深度學習在商用領域也具備同樣的顛覆性。但是讓人震驚和困惑的是，就連gartner也沒能分清機器學習和深度學習之間的差別。這裡是gartner於2023年8月份發布的發展規律週期圖（hyper cycle），深度學習甚至沒有被提及：
儘管被gartner忽視了，深度學習依然持續火熱。目前對深度學習的炒作主要是：我們已經擁有了可以商用的機器，只要給它們足夠多的資料和足夠長的時間，它們就能夠自己學習。這要麼是誇大了深度學習的現有技術水平，要麼就是將深度學習的實踐過於簡化了。在過去的幾年裡，深度學習產生了大量的想法和技術，這些在以前要麼是未知的，要麼是站不住腳的。起初，這些概念是碎片化而且毫無關聯的，但是隨著時間的推移，大量的模式和方法開始湧現，深度學習設計模式這一領域也變得熱鬧起來。
今天的深度學習不僅僅是具備多層架構的感知器，而是一系列能夠用來構建可組合可微分的體系結構的技術和方法。這些具有超強能力的機器學習系統只不過是我們目前所能看到的冰山一角。關鍵在於，雖然深度學習目前看起來像點金術，但是總有一天我們會學會如何像操控化學一樣操控它。有了這個基礎，我們將能夠更好的**機器學習未來所能具備的能力。
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...
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...