机器学习入门教学——人工智能、机器学习、深度学习

1、人工智能

• 人工智能相当于人类的代理人，我们现在所接触到的人工智能基本上都是弱AI，主要作用是正确解释从外部获得的数据，并对这些数据加以学习和利用，以便灵活的实现特定目标和任务。
• 例如：
  • 阿尔法狗、智能汽车
  • 
• 简单来说：人工智能使机器像人类一样进行感知，认识，决策和执行任务。

2、机器学习

• 机器学习是人工智能的一个分支，它描述了计算机如何通过总结之前的经验来进行学习和执行预测任务。

• 例如：
  • 垃圾邮件检测：根据邮箱中的邮件，识别哪些是垃圾邮件，哪些不是。这样的模型，可以帮助归类垃圾邮件和⾮垃圾邮件。
  • 股票交易：根据⼀⽀股票现有的和以往的价格波动，判断这⽀股票是该建仓、持仓还是减仓。

• 传统上如果我们要让计算机工作的话，我们需要给它一串指令，然后它会遵照这个指令一步步执行下去。而机器学习则是直接接收我们输入的数据，让计算机利用数据而不是指令来进行各种工作。
• 简单来说，机器学习就是让机器具有学习能力，可以从数据中自动分析获得知识和规律，并不断优化提高自己的能力。

3、深度学习

• 深度学习是机器学习的一个子集，是一种特殊的机器学习方法，它使得计算机具有人类的一些基本本能，如视觉、语言等，再将其转化为训练数据并从中学习经验。
• 深度学习具有机器学习的特征，但是没有机器学习那么明确的样本。就好像人类自己在世界中探索，你并不知道会遇到什么，需要自己去总结实践。

• 例如：
  • 图像识别：使用卷积神经网络识别图像中的物体，如猫、狗等。
  • 语音识别：使用递归神经网络处理语音信号，实现语音转文字。
  • 自动驾驶：深度学习可以分析图像和感知数据，实现自动驾驶汽车。

• 深度学习就像人脑一样分层处理信息，它能够提取所接触到的事物的特征，从简单特征到复杂概念，层层抽象，最终理解该事物。

4、机器学习和深度学习的区别

• 
• 人工智能是一个很庞大的领域，包括很多技术，机器学习是其中一种实现方法，而深度学习是机器学习的一种实现方法。
• 输入输出上，机器学习以数值为参考，并且一般输出也为数值，而深度学习以各种媒介为输入，如图片、声音、视频，其输出也是多样的。
• 应用领域上，机器学习更擅长处理稳定的统计规律，用于商业预测、风险控制等场景，而深度学习可以学习数据中的复杂模式，擅长语音、图像、视频等多媒体数据，可用于自动驾驶、人脸识别等领域。
• 特征学习上，机器学习通常需要人工提取特征，而深度学习通过模型端到端学习特征表达。