人工智能深度学习和机器学习有哪些区别？

Posted 2023-04-04 程序猿-饭饭

很多人可能不明白『机器学习』、『AI（人工智能）』和『深度学习』之间的区别。这些都是现代数据技术应用中的重要关键字，但由于它们很相似，因此极易混淆。但是为了将 AI 引入日常工作中，正确理解这三个关键字的范围很重要。

人工智能、机器学习和深度学习已成为当今商业世界中最受关注的技术，因为公司正在使用这些创新来构建智能机器和应用程序。尽管这些术语在全世界的商业对话中占主导地位，但许多人很难区分它们。

在进入技术细节之前，让我们看看技术影响者、行业人士和作者对这三个概念有什么看法。

• 人工智能是创造智能智能机器的概念。
• 机器学习是人工智能的一个子集，可帮助您构建人工智能驱动的应用程序。
• 深度学习是机器学习的一个子集，使用大量数据和复杂的算法来训练模型。

先说结论，如果你赞同的话记得三联，然后往下看。

三者间的关系

机器学习、AI、深度学习的属性是一样的，只是占据的范围不同。

人工智能的范围最广，是指使用机器再现人类智能的所有技术。机器学习属于人工智能的范畴，是实现人工智能的技术之一。此外深度学习是这种机器学习的学习方法之一。

此外机器学习和深度学习之间存在技术差异。两者都分析检索数据中的哪些元素会影响结果。在机器学习中，人类对此进行判断和调整，但在深度学习中机器会自动进行结果的计算判断。

无论应用机器学习、AI、还是深度学习都需要从数据分析下手，整理我们需要的原始数据。 最近体验了一下猴子老师的数据分析入门课程，对基础数据处理的方法讲解的还是很透彻的。想要入行的小伙伴建议看看正确的数据预处理的方式和方法，为日后不论机器学习、深度学习还是人工智能打下一个良好的基础。

前 IBM 数据分析大咖 3 天实战训练营打工人升职加薪必备立即解锁

机器学习是什么

机器学习是基于计算机学习大量数据并基于算法分析信息的方法。通过样本发现数据规律，主要应用于识别（分类）和数据预测（回归&分类）。通过统计学中的算法分析学习的结果构建机器学习模型，完成输出数据返回的结果输出机制。分析的准确程度依照不同的模型分成不同的评估方法，比如AUC、AOC、MSE等等，虽然达不到100%的完美程度，但是可以通过不断的优化基础数据和模型进行充分的提高。

根据要处理的数据类型和机器学习的目的，有各种机器学习算法，但它们可以大致分为三类：『有监督学习』、『无监督学习』和『强化学习』。

『有监督学习』

意味着当给出学习数据时，需要指定数据的结果（即正确答案）。机器学习模型学习诸如 『当给定这样的数据时，结果看起来像这样』 的关系。通过足够的训练能够准确预测给定没有正确答案的数据时的结果。因此用于预测场景和目标识别对象。

Mr数据杨：『迷你教程』使用XGBoost进行人口出生预测，时间序列版16 赞同 · 4 评论文章20 赞同 · 4 评论文章正在上传…重新上传取消

Mr数据杨：『迷你教程』利用主成分分析（PCA）居然可以做人脸识别2 赞同 · 0 评论文章3 赞同 · 0 评论文章正在上传…重新上传取消

一个监督学习方法的例子。该算法使用狗和猫的标记数据进行训练。训练后的模型预测新图像是猫还是狗。

监督学习的一些例子包括线性回归、逻辑回归、支持向量机、朴素贝叶斯和决策树。

『无监督学习』

在不给出正确答案数据的情况下学习数据之间的异同。由于没有正确的答案，模型无法知道给定的数据的结果是什么。因此将学习数据之间的关系，例如 『这个数据和这个数据非常相似。这个数据与其他数据有不同的特征』。 当想要检测异常或对数据进行分类时，通常会使用无监督学习。

Mr数据杨：『 迷你教程 』数据异常检测你没有听过的隔离森林和核密度方法1 赞同 · 0 评论文章2 赞同 · 0 评论文章正在上传…重新上传取消

一个使用未标记数据训练模型的无监督学习方法示例。在这种情况下，数据由不同的车辆组成。该模型的目的是对每种车辆进行分类。

无监督学习的一些示例包括 k 均值聚类、层次聚类和异常检测。

『强化学习』

与监督学习略有不同，将学习如何根据目的获得最佳结果。具体来说机器学习模型是反复学习 『采取某种行动时得到了什么样的结果』 。在学习的时候，如果采取的行动导致了好的结果则给出正分，如果导致不好的结果则给出负分，并且机器学习模型创建了通过试验和最大化分数的行动模式各种动作的误差。我会推导出来的。强化学习用于围棋游戏、自动驾驶和机器人控制的人工智能。

Mr数据杨：Python环境下用中文做了个《王者荣耀》AI脚本，附视频13 赞同 · 5 评论文章16 赞同 · 5 评论文章正在上传…重新上传取消

一个示例展示了如何训练机器识别形状。

强化学习算法的示例包括 Q 学习和深度 Q 学习神经网络。

这样三种学习方法各自处理的数据和目的是不同的，因此需要根据应用场景来使用它们。

AI（人工智能）是什么

AI 是人工智能的缩写，是自 1950 年代以来一直在研究的计算机科学之一。通过结合算法和数据，人为的表述为再现人类的认知和推理等动作。在现代 AI 这个词的范围非常广泛，机器学习和深度学习也被视为实现AI的方法之一。换句话说机器学习作为一个领域包含在广泛的人工智能中。

AI 可分为 『专用人工智能』和『通用人工智能』。

• 『专用人工智能』也称为狭义人工智能，是专门从事一项任务的AI（人工智能），典型例子包括图像识别、语音识别、自动驾驶技术等，可以理解成没有思想和意识的 AI。是可以很好地执行非常具体的任务的机器，通常比人类执行的效果更好。然而这些机器的能力非常有限，只能在非常有限的环境中运行。
• 『通用人工智能』是一种执行多项任务的人工智能，可以根据给定的信息自己思考和应用，比如我们小时候都知道的哆啦A梦，与人类具有相同思想和意识的AI。可以被认为非常像人类执行复杂的任务。这些机器可以在没有人工干预的情况下解决问题并将智能应用于任何事情，并且更接近于我们在《星际迷航》等电影中看到的那些。

深度学习是什么

深度学习是机器学习中的一种学习方法。不同于其他机器学习方法，因为它使用一种称为『神经网络』的技术进行学习。

神经网络具有不同的『神经元』层（『输入层』、『输出层』和『隐藏层』），用于输入数据、对其加权并返回输出。通过堆叠『层』组成的。

在机器学习方法中，用算法处理数据需要将数据的特征、重点关注的部分等信息组织起来，交给机器学习模型。然而在深度学习中，随着数据在每一层中被处理，如何处理数据的特征是确定的。因此对于视频、图像、音频等难以组织的问题可以达到比其他方法更高的精度。

因此有很多领域利用图像识别、语音识别、自然语言处理等深度学习取得了划时代的进步，设计了自动驾驶、机器翻译、人工智能助手等先进的人工智能技术。

Mr数据杨：面试官：都不懂Keras几步实现神经网络还来面试算法工程师？2 赞同 · 1 评论文章2 赞同 · 1 评论文章正在上传…重新上传取消

深度学习几个重要的网络

• 卷积神经网络 (CNN) - CNN 是一类最常用于图像分析的深度神经网络。
• 循环神经网络 (RNN) - RNN 使用顺序信息来构建模型。它通常更适用于必须记住过去数据的模型。
• 生成对抗网络 (GAN) - GAN 是一种算法架构，它使用两个神经网络来创建新的合成数据实例，以传递真实数据。受过照片训练的 GAN 可以生成新照片，这些照片在人类观察者看来至少表面上是真实的。
• 深度信念网络 (DBN) - DBN 是一种生成图形模型，由称为隐藏单元的多层潜在变量组成。

机器学习和深度学习的区别

深度学习是机器学习方法之一。只要有足够的训练数据，就可以利用神经网络自动提取数据的特征。

深度学习使学习以前难以数字化的非结构化数据（图像、自然语言、声音）成为可能。

此外数字化变化的增加使得生成自然语言和检测异常成为可能，提高了优化和推荐的准确性。

关注我私信回复（123）领机器学习+深度学习资料包（内含电子书，学习路线，行业报告，最新技术指导）

人工智能机器学习和深度学习有哪些区别？

1　人工智能

现今每天都有很多人工智能的文章发表，并且在最近两年愈演愈烈。网络上关于人工智能的定义有几种说法，我最喜欢的一个是，通常由人完成的智能任务的自动化。

1.1　人工智能发展史

1956年，约翰·麦肯锡（John McCarthy）主持召开了第一次人工智能的学术会议，并创造了人工智能这个术语。然而早在此之前，关于机器是否会思考的讨论就已经开始。人工智能发展初期，机器已经可以解决对于人类比较困难的问题。

例如，德国制造了在第二次世界大战后期用于军事通信的恩尼格玛密码机（Enigma machine）。阿兰·图灵（Alan Turing）则构建了一个用于破解恩尼格玛密码机的人工智能系统。人类破译恩尼格玛密码是一个非常有挑战性的任务，并往往会花费分析员数周的时间。而人工智能机器几个小时就可以完成破译。

计算机解决一些对人类很直接的问题，却一度非常艰难。如区分猫和狗，朋友对你参加聚会迟到是否生气（情绪），区分汽车和卡车，为研讨会写纪要（语音识别），或为你的外国朋友将笔记转换成对方的语言（例如，从法语转成英语）。这些任务中的大多数对于我们都很直接，但过去我们却无法通过给计算机硬编码一个程序来解决这类问题。早期计算机人工智能的实现都是硬编码的，如可以下棋的计算机程序。

人工智能发展初期，许多研究人员相信，人工智能可以通过对规则硬编码来实现。这类人工智能称为符号人工智能（symbolic AI），它适于解决明确的逻辑性问题，然而对于那些复杂的问题，如图像识别、对象检测、语言翻译和自然语言的理解等任务，它却几乎无能为力。人工智能的新方法，如机器学习和深度学习，正是用于解决这类问题的。

为更好理解人工智能、机器学习和深度学习的关系，我们画几个同心的圆圈，人工智能位于最外层，人工智能最早出现，范畴最大，然后向内是机器学习，最后是驱动今天人工智能迅速发展的深度学习，它位于另两个圆圈内部，如图1.1所示。

2　机器学习

机器学习是人工智能的一个子领域，它在过去10年变得非常流行，这两个词有时会交换使用。除机器学习外，人工智能还包括很多其他的子领域。与通过对规则进行硬编码的符号人工智能不同，机器学习系统通过展示大量实例来构造。从更高层面上说，机器学习系统通过检视大量数据得出可以预测未见数据结果的规则，如图1.2所示。

图1.2　机器学习对比传统编程

大多数机器学习算法在结构化数据上运行良好，如销售预测、推荐系统和个性化营销等。所有机器学习算法中都涉及的一个重要方面是特征工程，数据科学家花费大量时间来获取机器学习算法运行的正确特征。在某些领域，如计算机视觉（Computer Vision）和自然语言处理（Natural Language Processing，NLP），因为具有较高维度，特征工程非常具有挑战性。

直到现在，由于诸如特征工程和高维度方面的原因，对于使用经典机器学习技术（如线性回归、随机森林等）来解决这类问题的机构都非常具有挑战性。考虑一张大小为224×224×3（高×宽×通道）的图片，其中3表示彩色图片中红、绿、蓝色彩通道的个数。为了在计算机内存中存储这张图片，对应的矩阵要包含150,528个维度。假设要基于1000张224×224×3大小的图片构建分类器，维度就会变成1000个150,528大小。机器学习中一个被称为深度学习的特别分支，让我们得以借助现代技术和硬件解决这些问题。

2.1　机器学习实例

下面是使用机器学习技术实现的出色应用。

• 例1：Google Photos使用了机器学习中的一类深度学习照片分组（deep learning for grouping photos）技术。
• 例2：推荐系统，这是一类可用于推荐电影、音乐和产品的机器学习算法，很多大公司，如Netflix、Amazon和iTunes都在使用。

3　深度学习

传统机器学习算法使用手写的特征提取代码来训练算法，而深度学习算法使用现代技术自动提取这些特征。

例如，一个用于预测图像是否包含人脸的深度学习算法将在第一层检查边缘，第二层检测鼻子和眼睛等形状，最后一层检测面部形状或者更复杂的结构（见图1.3）。每一层都基于前一层的数据表示进行训练。如果大家觉得上面的解释理解起来有些困难，请不要担心，本书的后续章节会更直观地构造和详细解释这样的网络。

图1.3　中间层的可视化输出

得益于GPU、大数据、云提供商如 Amazon Web Services（AWS）和Google Cloud，以及Torch、TensorFlow、Caffe和PyTorch这些框架的出现，深度学习的应用在过去几年出现了巨大的增长。除此之外，一些大型公司还分享了已在庞大的数据集上训练好的算法，因而使得后来者可以经过很少的改动就能够以几种用例为基础构建最先进的系统。

1.3.1　深度学习的应用

深度学习一些流行的应用如下：

• 接近人类水平的图像分类；
• 接近人类水平的语音识别；
• 机器翻译；
• 自动驾驶汽车；
• Siri、Google语音和Alexa在最近几年更加准确；
• 日本农民的黄瓜智能分拣；
• 肺癌检测；
• 准确度高于人类的语言翻译。

图1.4所示为一个用于总结段落大意的简例，计算机读入一大段文本，并用几行总结出中心语义。

图1.4　计算机生成的本文摘要

接下来，我们把图1.5作为普通的图片输入给计算机，并不告知计算机图像中展示的是什么。借助对象检测技术和词典的帮助，我们得到的图像描述是：两个小女孩正在玩乐高玩具。计算机太聪明了，不是吗?

图1.5　对象检测和图像标注

学习书单推荐

人工智能书《人工智能》（第2版）

本书可以称得上是经典教材，内容翔实，逻辑清晰，引经据典，纵横捭阖，是一本不可多得的人工智能教科书。人工智能包罗万象，包括自然语言处理、知识表示、智能搜索、规划、机器学习、人工神经网络复杂系统、数据挖掘、遗传算法、模糊控制等。面对人工智能的迅猛发展和海量知识，计算机科学和工程相关专业的读者，与其临渊羡鱼，不如退而结网，扎扎实实打好基础。

本书包括引言、基础知识、基于知识的系统、高级专题以及现在和未来五部分内容。第一部分从人工智能的定义讲起，就人工智能的早期历史、思维和智能的内涵、图灵测试、启发法、新千年人工智能的发展进行了简要论述。第二部分详细讲述了人工智能中的盲目搜索、知情搜索、博弈中的搜索、人工智能中的逻辑、知识表示和产生式系统等基础知识。第三部分介绍并探究了人工智能领域的成功案例，如DENDRAL、MYCIN、EMYCIN等经典的专家系统，振动故障诊断、自动牙科识别等新的专家系统，以及受到自然启发的搜索等。第四部分介绍了自然语言处理和自动规划等高级专题。第五部分对人工智能的历史和现状进行了梳理，回顾了几十年来人工智能所取得的诸多成就，并对其未来进行了展望。

本书系统、全面地涵盖了人工智能的相关知识，既简明扼要地介绍了这一学科的基础知识，也对自然语言处理、自动规划、神经网络等内容进行了拓展，更辅以实例，可以帮助读者扎扎实实打好基础。本书特色鲜明，内容易读易学，适合人工智能相关领域和对该领域感兴趣的读者阅读，也适合高校计算机专业的教师和学生参考。

机器学习书推荐《机器学习公式详解》，人工智能领域中文的开山之作、周志华“西瓜书”《机器学习》伴侣书，Datawhale开源协作学习笔记“南瓜书”，机器学习初学小白提升数学基础能力的练习书！

本书（俗称“南瓜书”）基于Datawhale 成员自学“西瓜书”时记下的笔记编著而成，旨在对“西瓜书”中重难点公式加以解析，以及对部分公式补充具体的推导细节。

全书共16 章，与“西瓜书”章节、公式对应，每个公式的推导和解析都以本科数学基础的视角进行讲解，希望能够帮助读者达到“理工科数学基础扎实点的大二下学期学生”水平。每章都附有相关阅读材料，以便有兴趣的读者进一步钻研探索。

本书思路清晰，视角独特，结构合理，可作为高等院校计算机及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

深度学习书推荐

《动手学深度学习》，人工智能机器学习深度学习领域重磅教程图书，Amazon机器学习研究人员作品，交互式实战环境下动手学深度学习的模式，原理与实战紧密结合。

本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。与传统图书不同，本书的每一节都是一个可以下载并运行的 Jupyter记事本，它将文字、公式、图像、代码和运行结果结合在了一起。此外，读者还可以访问并参与书中内容的讨论。

全书的内容分为3个部分：第一部分介绍深度学习的背景，提供预备知识，并包括深度学习基础的概念和技术；第二部分描述深度学习计算的重要组成部分，还解释近年来令深度学习在多个领域大获成功的卷积神经网络和循环神经网络；第三部分评价优化算法，检验影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。

《深度学习》[deep learning]，深度学习领域奠基性经典畅销书，数据科学家和机器学习从业者必读，长期位居美亚AI和机器学习类图书榜首，图灵奖获奖作品。

本书囊括了数学及相关概念的背景知识，包括线性代数、概率论、信息论、数值优化以及机器学习中的相关内容。同时，它还介绍了工业界中实践者用到的深度学习技术，包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实践方法等，并且调研了诸如自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学以及视频游戏方面的应用。最后，本书还提供了一些研究方向，涵盖的理论主题包括线性因子模型、自编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推断以及深度生成模型。

《PyTorch深度学习实战》，PyTorch核心开发者教你用PyTorch创建神经网络和深度学习系统的实践指南，基于Python3.6，提供源代码下载，PyTorch联合创作者作序推荐。

虽然很多深度学习工具都使用Python，但PyTorch 库是真正具备Python 风格的。对于任何了解NumPy 和scikit-learn 等工具的人来说，上手PyTorch 轻而易举。PyTorch 在不牺牲高级特性的情况下简化了深度学习，它非常适合构建快速模型，并且可以平稳地从个人应用扩展到企业级应用。由于像苹果、Facebook和摩根大通这样的公司都使用PyTorch，所以当你掌握了PyTorth，就会拥有更多的职业选择。
本书是教你使用 PyTorch 创建神经网络和深度学习系统的实用指南。它帮助读者快速从零开始构建一个真实示例：肿瘤图像分类器。在此过程中，它涵盖了整个深度学习管道的关键实践，包括 PyTorch张量 API、用 Python 加载数据、监控训练以及将结果进行可视化展示。

本书主要内容：
（1）训练深层神经网络；
（2）实现模块和损失函数；
（3）使用 PyTorch Hub 预先训练的模型；
（4）探索在 Jupyter Notebooks 中编写示例代码。

本书适用于对深度学习感兴趣的 Python 程序员。了解深度学习的基础知识对阅读本书有一定的帮助，但读者无须具有使用 PyTorch 或其他深度学习框架的经验。