在讨论人工智能（AI）vs. 机器学习（ML）vs. 深度学习（DL）之前，让我们先了解“什么是人工智能？”“什么是机器学习？”以及“什么是深度学习？”。
人工智能、机器学习和深度学习都是如今广泛使用的热门术语。
AI、ML 和 DL 是 IT 行业中常见的术语，并且经常被交替使用，尤其是在企业尝试营销其产品时。然而，这些术语并不是同义词；它们之间存在显著差异。
人工智能
机器学习
深度学习
人工智能、机器学习、神经网络和深度学习之间有什么关系？
人工智能
简单来说，AI 或人工智能是指能够模仿人类智能来完成任务的系统或机器，并且可以根据其收集的信息不断进行自我改进。
此外，AI 更关注过程以及超强思考和数据分析的能力，而不是任何特定的形式或功能。然而，AI 往往会让人联想到功能强大、类似人类的机器人接管世界，但它并不能取代人类。它的作用是显著增强人类的能力和贡献。这使其成为一项宝贵的商业资产。
人工智能的类型
1. 反应式机器
这些系统只能做出反应。因此，这些系统不会形成记忆，也不会利用过去发生的事情来做出新的决策。
2. 有限记忆
这些系统会参考过去的信息，并且信息会随着时间的推移不断增加。所参考的信息是临时性的。
3. 心智理论
这些系统能够理解人类的情绪以及情绪如何影响决策。因此，它们会经过训练，以相应地调整自身的行为。
4. 自我意识
这些系统被设计和构建为能够意识到自身。因此，它们能够识别自己的内部状态，预测他人的感受，并采取适当的行动。
人工智能的应用
机器翻译，例如 Google Translate
自动驾驶汽车，例如 Google 的 Waymo
AI 机器人，例如 Sophia 和 Aibo
语音识别应用，例如 Apple 的 Siri 或 OK Google
机器学习
机器学习是人工智能的一个子集，它允许系统在没有明确编程的情况下自动从经验中学习和改进。在 ML 中，有不同的算法（例如神经网络）可以帮助解决问题。
因此，它研究的是如何通过赋予机器学习和开发程序的能力，使机器的行为和决策更加接近人类。因此，这可以在较少人工干预的情况下实现，即无需进行明确编程。
机器学习如何工作？
机器学习会访问海量数据（包括结构化数据和非结构化数据），并从中进行分析，以预测未来。此外，它还会利用多种算法和技术从数据中学习。
机器学习使用两种主要技术：
1. 监督学习
监督学习允许人们收集数据，或从之前的 ML 部署中生成数据输出。因此，它很有趣，因为它的运行方式与人类学习的方式非常相似。
在监督任务中，需要向计算机提供一组带标签的数据点，这些数据点称为训练集（例如，从一个由列车终端和标记组成的系统中获取的一组读数，其中记录了过去三个月出现故障的位置）。
2. 无监督机器学习
无监督机器学习可以帮助人们发现数据中的各种未知模式。此外，该算法仅使用未标记的示例来学习数据中固有的结构。两种常见的无监督学习任务是聚类和降维。
在聚类中，人们尝试将数据点排列成有意义的群集，使给定集合中的元素彼此相似，但与其他集合中的元素不同。因此，聚类对于市场细分等任务非常有用。
降维模型通过对相似或相关属性进行分组来减少数据集中的变量数量，从而帮助更好地理解数据（并进行更有效的模型训练）。
机器学习的应用
各种产品的销售预测
银行业欺诈分析
产品推荐
股票价格预测
深度学习
深度学习是机器学习的一个子集，它使用神经网络来分析不同因素，其结构类似于人类神经系统。
因此，这些神经网络尝试模拟人脑的行为，使其能够从大量数据中学习。它是一种具有三个或更多层的神经网络，即使只有一层也可以进行近似预测。额外的隐藏层可以帮助优化和提高准确性。
深度学习如何工作？
神经网络由多层节点组成，就像人脑由神经元组成一样。单个层中的节点与相邻层相连接。因此，网络所包含的层数越多，其深度就越深。
因此，人脑中的单个神经元会接收来自其他神经元的数千个信号。在人工神经网络中，信号会在节点之间传递，并被分配相应的权重。权重越高的节点，对下一层节点产生的影响越大。因此，最后一层会收集经过加权的输入并生成输出。
深度学习系统需要强大的硬件，因为它们需要处理大量数据，并涉及各种复杂的数学计算。尽管如此，即使拥有如此先进的硬件，深度学习的训练计算也可能需要数周时间。
深度学习系统需要大量数据才能获得准确结果；所提供的信息通常以大型数据集的形式存在。人工神经网络可以在准备数据时，通过涉及高度复杂数学计算的二元真假问题所产生的答案对数据进行分类。
例如，面部识别程序通过学习检测和识别人脸的边缘和线条、更重要的面部区域以及最终的整体面部特征来运行。此外，该程序会进行自我训练，获得正确答案的可能性也会提高。因此，在这种情况下，随着时间推移，面部识别程序将能够准确识别人脸。
深度学习的应用
癌症肿瘤检测
用于图像添加说明文字的 Caption Bot
音乐生成
图像着色
目标检测
人工智能 vs. 机器学习 vs. 深度学习
让我们根据一些参数来比较 AI、深度学习和机器学习。
定义
人工智能是一种让机器模拟人类行为的技术。
机器学习是 AI 的一个子集，它允许机器从过去的数据中学习，而无需进行明确的自动编程。
深度学习是机器学习的一个子集，也被称为一种特殊类型的机器学习。它在技术上与机器学习以相同的方式运行，但具有不同的能力和方法。
数据依赖性
当有大量丰富的大数据可用时，AI 的运行效果最佳。
尽管机器学习依赖大量数据，但它也可以使用较少的数据运行。
深度学习算法依赖大量数据，因此需要输入大量数据才能获得可靠的性能。
执行时间
通常，40% 的公司表示，将 ML 模型部署到生产环境需要一个多月的时间，28% 的公司需要 8 至 30 天，而只有 14% 的公司可以在 7 天或更短时间内完成部署。
另一方面，机器学习算法训练模型所需的时间比深度学习短；然而，测试模型需要较长时间。
但是，深度学习训练模型需要较长的执行时间，但测试模型所需的时间较少。
问题解决方法
在 AI 中，用户可以通过实施逻辑算法、利用多项式和微分方程以及采用建模范式来解决问题。一个问题可能存在多种解决方案，这可以通过不同的启发式方法实现。
相比之下，为了解决给定问题，传统 ML 模型会将问题拆分成多个子部分，在分别处理每个部分后生成最终结果。
深度学习模型的问题解决方法与前两者不同，因为它会获取给定问题的输入并直接产生结果。因此，它遵循端到端的方法。
类型
根据能力，AI 有三种类型：弱人工智能、通用人工智能和强人工智能。
机器学习也主要有三种类型：监督学习、无监督学习和强化学习。
深度学习也有四种类型：卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）和深度信念网络（DBN）。
数据类型
AI 完全处理结构化、半结构化和非结构化数据。
机器学习模型通常需要结构化形式的数据。
深度学习模型既可以处理结构化数据，也可以处理非结构化数据，因为它们依赖人工神经网络的多个层。
工作方式
AI 致力于创建能够执行各种复杂任务的智能系统。
另一方面，机器学习致力于创建只能执行其训练任务的机器。
深度学习使用人工神经网络（ANN），这些网络旨在模拟人类思考和学习的方式。
人工智能、机器学习、神经网络和深度学习之间有什么关系？
理解人工智能、机器学习、神经网络和深度学习之间关系的一种最直观方式，可能是将它们看作俄罗斯套娃。它们本质上都是最初术语的组成部分。
然而，机器学习是人工智能的一个子集。深度学习是机器学习的一个子集，而神经网络则是深度学习算法的基础。因此，神经网络中的节点层数量，即深度，可以将普通神经网络与深度学习算法区分开来，后者需要三个以上的层。
结论
人工智能拥有许多出色的应用，正在改变技术世界。因此，它赋予机器认知能力。在研究 AI vs. 机器学习时，早期 AI 系统采用了模式匹配和专家系统。
相应地，机器学习背后的理念是机器可以在没有人工干预的情况下进行学习。因此，设备需要找到一种学习如何解决任务的方法。
深度学习是人工智能领域的一项发现。当有足够的数据用于训练时，深度学习能够取得令人印象深刻的结果，尤其是在图像识别和文本翻译方面。其主要原因是网络不同层能够自动完成特征提取。
