人工智能、机器学习、神经网络与深度学习的关系，一篇文章全明白

aizixun8

什么是人工智能？什么是机器学习？什么是神经网络？什么是深度学习？他们之间是什么关系？看完这篇文章你就明白了

人工智能简介：1.人工智能

人工智能目前还没有一个普遍接受的、完整的定义。

人工智能是一种能够感知周围环境并采取理性行动以获得最佳结果的智能体。 ——《人工智能：一种现代方法》

人工智能现在已经作为通用技术应用于我们生活的各个领域，比如机场、火车站的人脸识别、购物网站的兴趣推送、导航系统的路径规划、快递自动分拣机器人、输入中的语音识别等。方法。和文本转换...

从机器学习阶段开始，机器学习发展迅速，真正开始逐渐体现出人工智能的魅力。深度学习实际上是机器学习的一个重要分支，计算机视觉、语音识别、自然语言处理等领域才刚刚开始发展。

2. 机器学习

机器学习可以分为：

·监督学习 ( )

·无监督学习

·半监督学习

1.监督学习（ ）：通过数据的学习找到属性和标签之间的映射关系。

可以理解为使用带有特征标签（label）的数据集作为模型的输入进行学习的过程。其模型包括回归模型和分类模型。回归模型用于预测连续值，分类模型用于预测离散值。

但对于海量数据集，手动标记每个样本的工作量太大。

2.无监督学习（ ）：当样本数据没有被标记时，发现数据内部包含的关系。

它只将相似度高的样本聚合到一类中。对于区别不大的类别，无监督学习可能无法将它们分开。

3.半监督学习（Semi-）：将监督学习和无监督学习结合起来，利用大量的无标签数据和少量的标签数据一起学习。

这考虑到了监督学习和无监督学习的特点，得到了广泛的应用。

2.1 特征工程

特征工程是：尽可能选择和构造好的特征，使机器学习算法达到最佳性能的过程。

特征工程的范围是机器学习的传统领域。

特征工程的缺点：

·依靠手工方法提取和设计特征

·需要大量的专业知识和经验

·特征设计与具体任务密切相关

·特征的计算、调整和测试需要大量的时间

3. 深度学习 3.1 神经网络

神经网络可以看作是一种自动提取特征的方法。模型参数的初始值是随机选择的，所以一开始提取的特征肯定是非常不可靠的。然而，每次训练后，它们都会被逐层反向传播。误差，自动调整神经网络中的模型参数，这样经过多轮训练，提取的特征会越来越好，能够正确完成分类。

对于神经网络来说，特征工程并不是那么重要。只需要对原始数据进行必要的预处理，输入神经网络，通过训练自动调整权重，使预测结果满足预期要求。这种方法称为端到端学习。

端到端学习：自动从数据中学习特征。

3.2 深度神经网络

在全连接神经网络中，隐藏层的作用是提取特征。每经过一个隐藏层，就可以看作是一次特征转换。因此，神经网络的隐藏层也称为特征层。

深度神经网络：它是具有多个隐藏层的神经网络。这些隐藏层不断组合输入的低层特征，形成更抽象的高层特征，最后使用分类器进行分类。

3.3 深度学习（深度）

深度学习的特点：

·神经网络是深度学习的基础

·具有多个隐藏层的神经网络

·自动从数据中学习任务相关特征

·提取的特征缺乏可解释性

深度学习的三要素：

·数据：数据量越大，深度学习的优势就越明显。

·算法：大规模深度神经网络需要算法创新和改进，以保证深度学习的性能和速度。

·计算能力：训练大规模深度神经网络需要强大的计算资源

在训练有素的神经网络中，低层隐藏层的输出是更接近原始输入数据的低层特征。随着层数的增加，提取的特征变得越来越抽象，具有更好的表达能力。因此，神经网络，隐藏层越多，效果越好。这种具有多个隐藏层的神经网络就是深度学习。

从图中我们可以看到，当数据量较小时，传统机器学习的性能与深度学习相似，甚至优于深度学习。然而，随着数据量的不断增加，深度学习的优势越来越明显。显然，神经网络的规模越大，它能承载的数据量也越大。

深度学习可以自动学习任务相关的特征，从而避免手动设计特征的繁琐和低效工作。然而，这些通过网络提取的特征到底是什么，缺乏合理的解释，并且不像手工设计的特征那么清晰。

深度学习的机制：

深度学习可以看作是对人脑分层机制的模仿。大脑是一个深层的建筑，认知的过程也是深层的。动物神经系统和大脑的工作就是将原始的低级信号逐层抽象为高级信号的过程。 ，高级特征是低级特征的组合。特征层次越高，就越抽象，越能表达清晰的含义。当然，人脑比当今最复杂的神经网络要复杂得多。人类拥有超过150亿个神经元，连接神经元的突触数量就如银河系中的碎石一样多。有人曾估算，如果将人大脑中所有神经细胞的轴突和树突依次连接起来，拉成一条直线，就可以从地球连接到月球，从月球连接回地球。目前，人们对大脑的了解还非常有限。深度学习只是用简单的方法来模仿和借鉴大脑的部分机制。

深度学习让人工智能真正实用起来，因为以前的人工智能在很多情况下无法使用，人工设计的智能仍然很难超越人类。深度学习将这个过程变成了数据驱动的过程，当特定的数据量达到一定程度时，机器也许能够在做事情上超越人类。目前已实现商业化的智能系统大多基于深度学习，例如语音识别、计算机视觉等领域。 ，这样的例子还有很多。

如果有什么问题请批评指正^^