https://zhuanlan.zhihu.com/p/103373260人工智能、机器学习与深度学习的关系
人工智能是什么？人工智能与机器学习、深度学习的关系是什么？除了深度学习之外，人工智能还有其他研究领域吗？
1. 人工智能定义与分类
人工智能（Artificial Intelligence, AI）是机器，特别是计算机系统对人类智能过程的模拟。人工智能是一个愿景，目标就是让机器像我们人类一样思考与行动，能够代替我们人类去做各种各样的工作。
人工智能研究的范围非常广，包括演绎、推理和解决问题、知识表示、学习、运动和控制、数据挖掘等众多领域。其中，知识表示是人工智能领域的核心研究问题之一，它的目标是让机器存储相应的知识，并且能够按照某种规则推理演绎得到新的知识。许多问题的解决都需要先验知识。举个例子，当我们说“林黛玉”，我们会联想到“弱不禁风”“楚楚可怜”的形象，与此同时，我们还会联想到林黛玉的扮演者“陈晓旭”。如果没有先验的知识，我们无法将“林黛玉”和“陈晓旭”关联起来。在这里，“林黛玉”“陈晓旭”都是实体（也称为本体），实体与实体之间通过某种关系连接起来，实体、实体间的关系该如何存储、如何表示、如何方便地应用到生产和生活中，这些都是知识表示要研究的课题。
人工智能，按照是增强我们脑力还是增强我们体力、是取代人的工作还是辅助人，可以根据应用场景划分成4个大的类别，见图1。
图1 人工智能应用场景分类
2. 人工智能、机器学习与深度学习关系
从图1可以看出，人工智能是一个宏大的愿景，目标是让机器像我们人类一样思考和行动，既包括增强我们人类脑力也包括增强我们体力的研究领域。而学习只是实现人工智能的手段之一，并且，只是增强我们人类脑力的方法之一。所以，人工智能包含机器学习。机器学习又包含了深度学习，他们三者之间的关系见图2。
图2 人工智能、机器学习与深度学习的关系
2. 机器学习
机器学习（Machine Learning，ML）是机器从经验中自动学习和改进的过程，不需要人工编写程序指定规则和逻辑。
“学习”的目的是获得知识。机器学习的目的是让机器从用户和输入数据处获得知识，以便在生产、生活的实际环境中，能够自动作出判断和响应，从而帮助我们解决更多问题、减少错误、提高效率。
一般来说，机器学习往往需要人工提取特征，这一过程称为特征工程（Feature Engine）。人工提取特征，在部分应用场景中可以较为容易的完成，但是在一部分应用场景中却难以完成，比如图像识别、语音识别等场景，自然而然地，我们希望机器能够从样本数据中自动的学习、自动的发现样本数据中“特征”，从而能够自动地完成样本数据分类。机器学习与深度学习的学习过程异同，见图3。
图3 机器学习与深度学习的区别与联系（图片来源：《TensorFlow深度学习实战大全》）
3. 深度学习
深度学习（Deep Learn，DL）是机器学习的一种，主要特点是使用多层非线性处理单元进行特征提取和转换。每个连续的图层使用前一层的输出作为输入。
从深度学习的定义中，我们可以得知深度学习是机器学习的一种，是机器学习的子集。同时，与一般的机器学习不同，深度学习强调以下几点：
（1）强调了模型结构的重要性：深度学习所使用的深层神经网络（Deep Neural Network，DNN）算法中，隐藏层往往会有多层，是具有多个隐藏层的深层神经网络，而不是传统“浅层神经网络”，这也正是“深度学习”的名称由来。
（2）强调非线性处理：线性函数的特点是具备齐次性和可加性，因此线性函数的叠加仍然是线性函数，如果不采用非线性转换，多层的线性神经网络就会退化成单层的神经网络，最终导致学习能力低下。深度学习引入激活函数，实现对计算结果的非线性转换，避免多层神经网络退化成单层神经网络，极大地提高了学习能力。
（3）特征提取和特征转换：深层神经网络可以自动提取特征，将简单的特征组合成复杂的特征，也就是说，通过逐层特征转换，将样本在原空间的特征转换为更高维度空间的特征，从而使分类或预测更加容易。与人工提取复杂特征的方法相比，利用大数据来学习特征，能够更快速、方便地刻画数据丰富的内在信息。
4. 参考文献
（1）本文部分内容节选自《TensorFlow深度学习实战大全》 李明军著
京东自营：
https://item.jd.com/12609793.html当当自营：
http://product.dangdang.com/28497230.html--
FROM 120.244.128.*