人工智能深度学习的基本特征（人工智能AI）

人工智能（AI）、机器学习（ML）、深度学习（DL）的关系

AI 是一个宽泛的概念，人工智能的目的就是让计算机能够像人一样思考。

过去几年，尤其是 2015 年以来，人工智能大爆发。很大一部分是由于 GPU 的广泛应用，使得并行计算变得更快、更便宜、更有效。当然，也是由于无限拓展的存储能力和骤然爆发的数据洪流（大数据）的组合拳，使得图像数据、文本数据、交易数据、映射数据，无不海量爆发。

是人工智能的分支，它是人工智能的重要核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。

机器学习最基本的做法，是使用算法来解析数据，从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务，硬编码的软件程序不同，机器学习是用大量的数据来“训练”，由各种算法从数据中学习如何完成任务。

看看机器学习的一个定义（当然还有很多不同的定义）： “Machine learning is the idea that there are generic algorithms that can tell you something interesting about a set of data without you having to write any custom code specific to the problem. Instead of writing code, you feed data to the generic algorithm and it builds its own logic based on the data.” 这里面有几个重要的关键词，就是你不用写专门的业务逻辑代码而是通过输入大量的数据给机器，由机器通过一个通用的机制来建立它自己的业务逻辑，也就是机器“自我学习”了业务的逻辑，当然这种学习后的逻辑可以用来处理新的数据。

这和人类的学习过程有些类似，如下图：

机器学习有三类：

第一类是无监督学习，指的是从数据出发自动寻找规律，并将其分成各种类别，有时也称”聚类问题”。

第二类是监督学习，监督学习指的是给历史数据一个标签，运用模型预测结果。如有一个水果，我们根据水果的形状和颜色去判断到底是香蕉还是苹果，这就是一个监督学习的例子。

最后一类为强化学习，是指可以用来支持人们去做决策和规划的一个学习方式，它是对人的一些动作、行为产生奖励的回馈机制，通过这个回馈机制促进学习，这与人类的学习相似，所以强化学习是目前研究的重要方向之一。

是机器学习研究中的一个新领域，推动了机器学习的发展，并拓展了人工智能的领域范围。

深度学习是机器学习的一个子集，推动计算机智能取得长足进步。它用大量的数据和计算能力来模拟深度神经网络。从本质上说，这些网络模仿人类大脑的连通性，对数据集进行分类，并发现它们之间的相关性。

通过深度学习，机器可以处理大量数据，识别复杂的模式，并提出深入的见解。

• 人工智能：为机器赋予人的智能。
• 机器学习：一种实现人工智能的方法。
• 深度学习：一种实现机器学习的技术。
• 人工神经网络：一种机器学习的算法。

人工智能研究的领域主要有五层：

1、最底层是基础设施建设，包含数据和计算能力两部分，数据越大，人工智能的能力越强。

2、往上一层为算法，如卷积神经网络、LSTM 序列学习、Q-Learning、深度学习等算法，都是机器学习的算法。

3、第三层为重要的技术方向和问题，如计算机视觉，语音工程，自然语言处理等。还有另外的一些类似决策系统，像 reinforcement learning（增强学习），或像一些大数据分析的统计系统，这些都能在机器学习算法上产生。

4、第四层为具体的技术，如图像识别、语音识别、机器翻译等等。

5、最顶端为行业的解决方案，如人工智能在金融、医疗、互联网、交通和游戏等上的应用，这是我们所关心它能带来的价值。