摘要：机器学习就是用算法解析数据，不断学习，对世界中发生的事做出判断和预测的一项技术。显然，深度学习是与机器学习中的神经网络是强相关，神经网络也是其主要的算法和手段或者我们可以将深度学习称之为改良版的神经网络算法。
什么是 AI、机器学习与深度学习？
大家好，我是杨锋，作为一个大数据从业人员，相信大家整天都在被 AI、机器学习、深度学习等一些概念轰炸。有时候甚至有点诚惶诚恐，一方面作为一个“业内人士”而自豪，二方面觉得新概念一个接一个，自己不甚了解，有点恐惧。我一直相信一句台词——“喝了敌人的血，下次见面就不会再怕了”。学习知识亦然，很多时候，你觉得很高深，实际上是缺乏清晰的概念。当你真的把这些概念理清楚后，往往会恍然大悟，万变不离其宗，原来不过如此。上网查了很多资料，很遗憾的是，99%的从业者语文都不怎么过关，连基本的定义都不会下。一个简单的“限定词+更大的集合”的定义模式都没有掌握，深表遗憾。于是还是决定自己来梳理一下吧。有高人说过（花钱买的）：你对一个领域的理解程度，完全取决于你的头脑里有多少清晰的概念，以及能否把这些概念关联起来。废话少说，开始唠吧。
人工智能（ Artificial Intelligence）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。我们来分解一下这个概念。“人工智能”是“一门技术科学”，它研究与开发的对象是“理论、技术及应用系统”，研究的目的是为了“模拟、延伸和扩展人的智能”。既然如此，那么买菜用的“计算器”算是人工智能吗？严格地说是算的，因为它至少做了“模拟”人在计算方面的智能，并扩展了这个能力（比人算得更快）。我们每天编码驱动计算机去帮我们干活，这个算是人工智能吗？也算的。所以，首先不用妄自菲薄，其实大家早已是“人工智能”的从业者了。我们现在看到的貌似很高端的技术，如图像识别、NLP，其实依然没有脱离这个范围，说白了，就是“模拟人在看图方面的智能”和“模拟人在听话方面的智能”，本质上和“模拟人在计算方面的智能”没啥两样，虽然难度有高低，但目的是一样的——模拟、延伸和扩展人的智能。另外，人工智能也不是啥新概念，事实上这是50年代提出的东西了（比你们老多了），现在这么火热，顶多只能算是“诈尸”，谈不上“新生”。
随着人对计算机科学的期望越来越高，要求它解决的问题越来越复杂，摧枯拉朽地打个小怪已经远远不能满足人们的诉求了。1+1好算，1+2也不难，这些已经能解决的问题暂且按下不表。要解决的问题域越来越复杂，即使是同一个问题，其面对的场景也越来越多。咱总不能每新出来一种场景，就让码农去查找switch，然后在default前去再加一个case吧；世间的场景千千万，那得多少个case啊，杀个码农祭天也保不齐会出问题啊。那怎么办呢？于是有人提出了一个新的思路——能否不为难码农，让机器自己去学习呢（提出这个概念的人一定做过码农）？好吧，现在机器学习的定义就出来了。机器学习即不需要码农添加case语句而让机器自己学会执行任务的人工智能技术。好像不太正规啊，好吧，再定义一下。机器学习就是用算法解析数据，不断学习，对世界中发生的事做出判断和预测的一项技术。研究人员不会亲手编写软件、确定特殊指令集、然后让程序完成特殊任务；相反，研究人员会用大量数据和算法“训练”机器，让机器学会如何执行任务。这里有三个重要的信息：1、“机器学习”是“模拟、延伸和扩展人的智能”的一条路径，所以是人工智能的一个子集；2、“机器学习”是要基于大量数据的，也就是说它的“智能”是用大量数据喂出来的，如果缺少海量数据，它也就啥也不是了；3、正是因为要处理海量数据，所以大数据技术尤为重要；“机器学习”只是大数据技术上的一个应用。常用的10大机器学习算法有：决策树、随机森林、逻辑回归、SVM、朴素贝叶斯、K最近邻算法、K均值算法、Adaboost算法、神经网络、马尔科夫。Apache有个开源项叫mahout，提供了这些经典算法的实现；但是后来spark出来了，由于在内存迭代计算方面的优势，一下子抢过了这个风头，目前spark自带的MLlib被使用得更为广泛。虽然mahout也在向spark转，但是在技术的世界里就是这样的，只有新人笑，哪闻旧人哭。
相较而言，深度学习是一个比较新的概念，算是00后吧，严格地说是2006年提出来的。老套路，也给它下一个定义。深度学习是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术。它的基本特点，是试图模仿大脑的神经元之间传递，处理信息的模式。最显著的应用是计算机视觉和自然语言处理(NLP)领域。显然，“深度学习”是与机器学习中的“神经网络”是强相关，“神经网络”也是其主要的算法和手段；或者我们可以将“深度学习”称之为“改良版的神经网络”算法。深度学习又分为卷积神经网络（Convolutional neural networks，简称CNN）和深度置信网（Deep Belief Nets，简称DBN）。其主要的思想就是模拟人的神经元，每个神经元接受到信息，处理完后传递给与之相邻的所有神经元即可。所以看起来的处理方式有点像下图（想深入了解的同学可以自行google）。
神经网络的计算量非常大，事实上在很长时间里由于基础设施技术的限制进展并不大。而GPU的出现让人看到了曙光，也造就了深度学习的蓬勃发展，“深度学习”才一下子火热起来。击败李世石的Alpha go即是深度学习的一个很好的示例。Google的TensorFlow是开源深度学习系统一个比较好的实现，支持CNN、RNN和LSTM算法，是目前在图像识别、自然语言处理方面最流行的深度神经网络模型。事实上，提出“深度学习”概念的Hinton教授加入了google，而Alpha go也是google家的。在一个新兴的行业，领军人才是多么的重要啊！
总结：人工智能是一个很老的概念，机器学习是人工智能的一个子集，深度学习又是机器学习的一个子集。机器学习与深度学习都是需要大量数据来“喂”的，是大数据技术上的一个应用，同时深度学习还需要更高的运算能力支撑，如GPU。
想要更详细的了解，请访问华为云学院（ edu.huaweicloud.com/courses/ ），课程获取密码，搜索：机器学习或者深度学习或者 AI ，一般人我不告诉他喔！
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/19923.html
摘要：绝大多数人忽略了深度学习只占机器学习领域的，而机器学习又只占到了人工智能领域的。一个深度学习专家无法与人工智能专家划上等号。但是，深度学习并不是人类可以创造的人工智能科技的终点。深度学习的公正性并非来自其自身，而是人类筛选和准备的数据。 人工智能的这一波热潮毫无疑问是由深度学习引发的，自吴恩达等人 2011 年发表「识别猫」研究后，深度学习及其引发的技术已经在图像识别、游戏等任务中超越人类，...
摘要：而这种举一反三的能力在机器学习领域同样适用，科学家将其称之为迁移学习。与深度学习相比，我们技术较大优点是具有可证明的性能保证。近几年的人工智能热潮中，深度学习是最主流的技术，以及之后的成功，更是使其几乎成为的代名词。 如今，人类将自己的未来放到了技术手里，无论是让人工智能更像人类思考的算法，还是让机器人大脑运转更快的芯片，都在向奇点靠近。谷歌工程总监、《奇点临近》的作者库兹韦尔认为，一旦智能...
摘要：问深度学习社区现在面临的主要挑战是什么答打击炒作发展伦理意识获得科学严谨性。深度学习简直是科学的重灾区。 Keras之父、谷歌大脑人工智能和深度学习研究员François Chollet撰写了一本深度学习Python教程实战书籍《Python深度学习》，书中介绍了深度学习使用Python语言和强大Keras库，详实新颖。近日，François Chollet接受了采访，就深度学习到底是什么、...
摘要：是你学习从入门到专家必备的学习路线和优质学习资源。的数学基础最主要是高等数学线性代数概率论与数理统计三门课程，这三门课程是本科必修的。其作为机器学习的入门和进阶资料非常适合。书籍介绍深度学习通常又被称为花书，深度学习领域最经典的畅销书。 showImg(https://segmentfault.com/img/remote/1460000019011569); 【导读】本文由知名开源平...
摘要：普通程序员，如何转向人工智能方向，是知乎上的一个问题。领域简介，也就是人工智能，并不仅仅包括机器学习。但是，人工智能并不等同于机器学习，这点在进入这个领域时一定要认识清楚。 人工智能已经成为越来越火的一个方向。普通程序员，如何转向人工智能方向，是知乎上的一个问题。本文是对此问题的一个回答的归档版。相比原回答有所内容增加。 目的 本文的目的是给出一个简单的，平滑的，易于实现的学习方法，帮...
阅读 2129·2021-11-18 10:07
阅读 3506·2021-09-04 16:48
阅读 3214·2019-08-30 15:53
阅读 1234·2019-08-30 12:55
阅读 2453·2019-08-29 15:08
阅读 3149·2019-08-29 15:04
阅读 2878·2019-08-29 14:21
阅读 2905·2019-08-29 11:21
