人工智能、机器学习、神经网络和深度学习概念梳理
如上图，人工智能是最早出现的，也是最大、最外侧的同心圆；其次是机器学习，稍晚一点；最内侧，是深度学习，当今人工智能大爆炸的核心驱动。
1 从概念的提出到走向繁荣
1956年，几个计算机科学家相聚在达特茅斯会议（Dartmouth Conferences），提出了人工智能的概念。其后，人工智能就一直萦绕于人们的脑海之中，并在科研实验室中慢慢孵化。之后的几十年，人工智能一直在两极反转，或被称作人类文明耀眼未来的预言；或者被当成技术疯子的狂想扔到垃圾堆里。坦白说，直到2012年之前，这两种声音还在同时存在。
过去几年，尤其是2015年以来，人工智能开始大爆发。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，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，也使得图像数据、文本数据、交易数据、映射数据全面海量爆发。
2 人工智能（Artificial Intelligence）——为机器赋予人的智能
人工智能：缩写是 AI，就是像人一样的智能、会思考。人工智能实现的方法就是机器学习，所以谈人工智能技术，实际上就是机器学习的各种算法的应用。各种智能家居、智能机器人都是人工智能产业的方向。
我们目前能实现的，一般被称为“弱人工智能”（Narrow AI）。弱人工智能是能够与人一样，甚至比人更好地执行特定任务的技术。例如，Pinterest上的图像分类；或者Facebook的人脸识别。
3 机器学习（Machine Learning）—— 一种实现人工智能的方法
机器学习：是研究如何让计算机去学习。学习什么呢？ 机器学习，是研究算法的学科，研究的是如何让计算机根据以往的经验去适应新的环境。这里“以往的经验” 指的是历史数据，“适应” 指的是通过历史数据创造一个很牛逼的函数，“新的环境” 指的是把新的数据输入到这个函数中，产生一个新的输出。机器学习本质上是研究自学习算法的科学，这些算法是帮助软件和机器进行自我学习解决问题的算法。
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”，通过各种算法从数据中学习如何完成任务。
机器学习最成功的应用领域是计算机视觉，虽然也还是需要大量的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器，以便让程序能识别物体从哪里开始，到哪里结束；写形状检测程序来判断检测对象是不是有八条边；写分类器来识别字母“S-T-O-P”。使用以上这些手工编写的分类器，人们总算可以开发算法来感知图像，判断图像是不是一个停止标志牌。
这个结果还算不错，但并不是那种能让人为之一振的成功。特别是遇到云雾天，标志牌变得不是那么清晰可见，又或者被树遮挡一部分，算法就难以成功了。这就是为什么前一段时间，计算机视觉的性能一直无法接近到人的能力。它太僵化，太容易受环境条件的干扰。
随着时间的推进，学习算法的发展改变了一切。
4 神经网络（Neural network）——机器学习中的一个算法模型
神经网络：是机器学习中的一个算法模型，指的是模拟人的神经系统。大家知道，人的神经非常复杂，所以神经网络算法需要的计算量很大。神经网络在以前一直不温不火，原因是计算机硬件不足以支撑神经网络的计算量。现在大数据技术的发展，让神经网络迎来了春天。比如人脸识别、交通领域的车牌识别技术都是神经网络的应用。
5 深度学习（Deep Learning）——一种实现机器学习的技术
深度学习：属于神经网络的一个发展分支，指的是层数很多的神经网络，可以简单理解为更加高级的神经网络。无人驾驶汽车属于深度学习的典型应用。Python 中，可以使用 TensorFlow2 和 PyTorch库非常简单的实现深度学习中的各种算法。
人工神经网络（Artificial Neural Networks）是早期机器学习中的一个重要的算法，历经数十年风风雨雨。神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一个神经元可以连接一定距离内的任意神经元不同，人工神经网络具有离散的层、连接和数据传播的方向。
例如，我们可以把一幅图像切分成图像块，输入到神经网络的第一层。在第一层的每一个神经元都把数据传递到第二层。第二层的神经元也是完成类似的工作，把数据传递到第三层，以此类推，直到最后一层，然后生成结果。
每一个神经元都为它的输入分配权重，这个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重加总来决定。
我们仍以停止（Stop）标志牌为例。将一个停止标志牌图像的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、救护车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动特性等等。神经网络的任务就是给出结论，它到底是不是一个停止标志牌。神经网络会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。
这个例子里，系统可能会给出这样的结果：86%可能是一个停止标志牌；7%的可能是一个限速标志牌；5%的可能是一个风筝挂在树上等等。然后网络结构告知神经网络，它的结论是否正确。
我们回过头来看这个停止标志识别的例子。神经网络是调制、训练出来的，时不时还是很容易出错的。它最需要的，就是训练。需要成百上千甚至几百万张图像来训练，直到神经元的输入的权值都被调制得十分精确，无论是否有雾，晴天还是雨天，每次都能得到正确的结果。
现在，经过深度学习训练的图像识别，在一些场景中甚至可以比人做得更好：从识别猫，到辨别血液中癌症的早期成分，到识别核磁共振成像中的肿瘤。Google的AlphaGo先是学会了如何下围棋，然后与它自己下棋训练。它训练自己神经网络的方法，就是不断地与自己下棋，反复地下，永不停歇。
6 深度学习，给人工智能以璀璨的未来
深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。有了深度学习，人工智能甚至可以达到我们畅想的科幻小说一般。
7 小结
综上，人工智能就是一个产业，人工智能的实现手段主要靠机器学习的各种算法。在机器学习的算法中，深度学习是一个智能化程度非常高的算法。现在云计算和大数据技术的发展，让神经网络和深度学习得以在实际中应用。大数据时代，数据是企业的最值钱的财富，但海量的数据并非都是有价值的，如何挖掘出有用的数据变成商业价值，就需要机器学习算法。大数据和机器学习势必颠覆传统行业的运营方式，必将驱动公司业务的发展。目前，越来越多的机器学习，数据挖掘，深度学习算法被应用在电商、搜索、金融、游戏，医疗等领域中的分析、挖掘、推荐上。
标签：机器,人工智能,算法,学习,概念,神经网络,深度,科普 From： https://www.cnblogs.com/amgulen/p/17117596.html