javatpoint.com 毛毛虫大侠
深度学习、机器学习和人工智能是 IT 人员在互联网上最常用的术语。然而，所有这三种技术都是相互关联的。人工智能（AI）可以理解为机器学习和深度学习的总称。或者我们可以说深度学习和机器学习都是人工智能的子集。
由于这些技术看起来很相似，大多数人对“深度学习、机器学习和人工智能”有误解，认为这三者彼此相似。但实际上，尽管所有这些技术都用于构建表现得像人类的智能机器或应用程序，但它们的功能和范围仍然有所不同。
这意味着这三个术语经常互换使用，但它们并不完全指代相同的事物。让我们通过下图了解深度学习、机器学习和人工智能之间的根本区别。
通过上图，您可以了解到人工智能是计算机科学的一个分支，帮助我们创建聪明的智能机器。此外，机器学习是人工智能的一个子领域，有助于训练机器和构建人工智能驱动的应用程序。另一方面，深度学习是机器学习的一个分支，有助于训练具有大量输入和复杂算法的机器学习模型，并且主要与神经网络一起工作。
在这篇文章“深度学习、机器学习、人工智能”中，我们将帮助您清楚地了解与这些技术相关的概念以及它们之间的区别。因此，让我们分别从每项技术开始本主题。
什么是人工智能（AI）？
人工智能被定义为一个科学和工程领域，涉及制造智能机器或计算机来执行类似人类的活动。
约翰·麦卡锡先生被称为这项惊人发明的教父。AI有一些流行的定义，如下：
“人工智能被定义为机器模仿人类智能行为的能力。”
“能够执行通常需要人类智能的任务的计算机系统，例如视觉感知、语音识别、决策和语言之间的翻译。”
人工智能的类型
AI主要分为以下4类：
反应机
内存有限
心智理论
自我意识
人工智能应用
语言翻译
医疗保健领域的人工智能
语音识别、文本识别、图像识别
天文学中的人工智能
游戏中的人工智能
人工智能在金融领域的应用
人工智能在数据安全中的应用
社交媒体中的人工智能
人工智能在旅行和交通领域的应用
人工智能在汽车行业的应用
机器人中的人工智能
AI在娱乐、农业、电商、教育等领域的应用
我们已经掌握了人工智能的基础知识。现在，我们来讨论一下机器学习的基本理解。
什么是机器学习？
机器学习被定义为人工智能和计算机科学的一个分支，重点是通过使用算法通过过去的经验来学习和提高计算机/机器的性能。
人工智能用于制造智能机器/机器人，而机器学习则帮助这些机器进行训练，无需人工干预即可预测结果。
机器学习是如何工作的？
机器学习使用的算法和技术使机器能够从过去的经验/趋势中学习并根据该数据预测输出。
然而，首先，机器学习使用数据预处理来访问大量数据。该数据可以是结构化、半结构化或非结构化的。此外，这些数据通过一些技术和算法输入机器，然后基于之前的趋势；它自动预测输出。
了解机器学习模型的工作原理后，是时候继续讨论机器学习的类型了。
机器学习的类型
根据教授机器的方法和技术，机器学习主要分为以下四种类型：
监督机器学习
这种类型的机器学习方法使用标记数据集来训练机器，并根据这些数据集，机器预测输出。它需要监督来训练模型和预测输出。图像分割、医疗诊断、欺诈检测、垃圾邮件检测、语音识别等是监督机器学习的一些重要应用。
监督机器学习可以进一步分为以下两类问题：
监督机器学习的优点
监督机器学习的缺点
监督机器学习有助于根据先前的经验预测输出
它有助于提供有关对象类的准确想法。
无监督机器学习
无监督机器学习与监督学习正好相反。与监督机器学习不同，它不需要监督，这意味着它不需要标记数据集来训练机器。因此，在无监督机器学习中，输出是在没有任何监督的情况下预测的。无监督学习算法的主要目的是根据相似性、模式和差异对未排序的数据集进行分组或分类。网络分析、推荐系统、异常检测、奇异值分解等，是无监督机器学习的一些重要应用。
无监督机器学习进一步分为两种类型：
无监督机器学习的优点
无监督机器学习的缺点
半监督机器学习
半监督学习是监督机器学习和无监督机器学习的结合。尽管它同时使用标记和未标记的数据集来训练模型并预测输出，但大多数情况下，它包含未标记的数据集。
半监督机器学习的优点
半监督机器学习的缺点
它不包括适用的网络级数据
它给出的结果不太准确
迭代结果可能不稳定。
该算法简单易懂。
它更有效率。
它用于解决监督和无监督学习算法的缺点。
强化学习
强化学习被定义为基于反馈的方法，从过去的经验中学习并提高模型的性能。在这种方法中，人工智能代理通过打击和尝试动作自动探索周围环境。
此外，在强化学习算法中，机器从经验或过去的数据中学习，并且不使用标记数据。它可以应用于各种现实案例，例如视频游戏、资源管理、机器人、文本挖掘、运筹学等。
强化学习进一步分为两种类型：
强化学习的优点
强化学习的缺点
对于简单场景来说意义不大。
它需要大量的数据和计算。
它用于解决所有其他技术都不起作用的复杂实时场景。
它提供最准确的结果，因为它的学习方式与人类相似。
这对于取得长期成果具有重要意义。
机器学习涉及的步骤
机器学习涉及 7 个简单步骤，如下所示：
数据收集
数据预处理
选择型号
火车模型
测试模型
调整模型
预言
我们已经讨论了机器学习和人工智能的基础知识，现在是时候转向深度学习的基础知识了。
什么是深度学习？
“深度学习被定义为基于人工神经网络的机器学习和人工智能的子集”。在深度学习中，深度一词指的是神经网络的层数。
深度学习是一组受人脑结构和功能启发的算法。它使用大量的结构化和非结构化数据来训练计算机并预测准确的结果。机器学习和深度学习技术之间的主要区别在于数据的呈现。机器学习使用结构化/非结构化数据进行学习，而深度学习使用神经网络来学习模型。
在机器学习中，如果模型预测的结果不准确，那么我们需要手动修复它。此外，在深度学习技术中，这些问题会自动解决，我们不需要明确地做任何事情。自动驾驶汽车是理解深度学习的最好例子之一。
深度学习可以通过更准确的预测来解决许多复杂的问题，例如图像识别、语音识别、产品推荐系统、自然语言处理（NLP）等。
深度学习的基本结构
深度学习包括具有不同层的各种神经网络，例如输入层、隐藏层和输出层。输入层接受输入数据；隐藏层用于从数据中查找任何隐藏模式和特征，输出层显示预期结果。
深度学习如何运作？
深度学习遵循几个简单的步骤。
计算加权和
在步骤 1 中使用此加权和作为激活函数的输入。
激活函数添加偏差并决定神经元是否应该被触发。
预测输出层的输出。
比较预测输出和实际输出，并相应地使用反向传播方法来提高模型的性能。在这一步中，成本函数对于降低错误率起着至关重要的作用。
深度神经网络的类型
有一些不同类型的深度学习网络可用。具体如下：
前馈神经网络
径向基函数神经网络
多层感知器
卷积神经网络（CNN）
循环神经网络
模块化神经网络
序列到序列模型
深度学习的应用
深度学习可以应用于各个行业，例如：
自动驾驶车辆
欺诈识别
自然语言处理
虚拟个人协助
文本、语音和图像识别
医疗保健、基础设施、银行与金融、营销
娱乐
教育
自动玩游戏
自动手写生成
自动语言翻译
像素修复以及照片描述和标签
人口统计和选举预测等
结论
人工智能是最流行的第五代技术之一，它正在利用其子领域、机器学习和深度学习改变世界。人工智能帮助我们创建智能系统并为机器提供认知能力。此外，机器学习使机器能够在没有人工干预的情况下根据经验进行学习，并使它们能够利用给定的数据学习和预测结果。同时，深度学习是人工智能领域的突破，它使用各个层的人工神经网络来针对图像识别和文本识别等各种问题取得令人印象深刻的输出。因此，读完本主题后，您可以说区分大多数人所面临的这些术语并不存在混淆。这个主题一定让您有足够的信心来理解人工智能 (AI)、机器学习 (ML) 和深度学习 (DL) 之间的基本区别。
