什么是人工智能？人工智能、机器学习、深度学习三者之间有什么关系吗？

zytjrljl

人工智能的终极目标是制造出具有人类智能的机器。人工智能的定义包含两部分，即“人工”和“智能”。

维基百科给出的定义是：人工智能是由机器表现的智能，相对于人类和其他动物所表现的自然智能。这是关于“人工”的定义，即和人类或自然智能相对。但对于什么是“智能”，大家现在唯一认同的智能就是人本身的智能，而我们对人类自身的智能理解非常有限。通俗的讲，一个机器只要能模拟人的认知功能，如人类思维中的学习和问题求解等，就认为它具有人工智能。

进入21世纪，随着互联网的发展和计算机系统的普及，产生了与日俱增的数据，为人工智能提供了大量的训练数据。另外，计算机硬件技术的飞速发展，更快的CPU、通用GPU的出现、更快的网络连接和更好的分布式计算的软ydwqstgem.gqupx.gq件基础设施，为运行复杂的人工智能算法提供了足够的计算力。

机器学习作为人工智能的一个子领域，主要研究如何模拟或者实现人类智能中的学习功能，也就是让机器自动的从经验中获取新的知识或技能。

现在机器学习已经得到广泛的应用，如：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、机器人和无人驾驶汽车等等。

“机器学习”这个词最初是由阿瑟·塞缪尔在1959年创造的。他给出了一个通用的定义：机器学习是一个研究领域，它使计算机能够学习而不是被显示编程。例如：一个垃圾邮件过滤器程序，如果知识依靠写入程序的规则去判断给定的邮件是不是垃圾邮件，比如标题中包含“开”“发”“票”三个字的一般是垃圾邮件，则不是机器学习。

另一个通用的定义，更形式化或者工程化，是由汤姆·米切尔在1997年给出的，即：如果一个计算机程序在任务T上的性能（用P来衡量ikyiootdra.gqpx.gq），可以通过经验E得到该井，称该程序能从经验E中学习。例如：对于一个垃圾邮件过滤器程序来说，它的任务T就是判断给定的邮件是否为垃圾邮件，可以用判断正确的百分比（准确率）来衡量其完成任务的好坏，而用来学习的经验就是被用户标记过的一些垃圾邮件和正常邮件，这iktyry.gq些邮件称为训练样例，他们构成的用以学习的训练集就是经验。所以，如果一个垃圾邮件过滤器能从获得经验（训练数据）中，改进其判断一个新邮件是否为垃圾邮件的准确率的话，就称之为有学习能力。

机器学习系统有很多种，可以按照不同的维度将他xblrgq.gq们划分成多个类型。例如：按照学习过程中受到的人类指导的量和类型，可以分为监督学习、半监督学习、无监督学习和强化学习，这也是最主要的一种划分机器学习类型的方案。

深度学习模型本质上是多层神经网络组合的模型。神经网络是一种连接主义模型，它认为人类的认知过程是由大量简单神经元组成的神经网络中的信息处理过程。现如今，随着训练数据的增多以及计算能力的增强，神经网络的学习能力得以增强，在语音、图像以及自然语言等许多领域uywrbt.gq都取得了显著的效果。

深度学习的发展大致可以总结为四个阶段：起源、第一次浪潮、第二次浪潮、第三次浪潮。

起源：1943年，由神经科学家W.S.麦卡洛克和数学家W.皮茨参照生物神经元的结构和工作原理，提出的抽象神经元M-P模型，是人工神经网络的起源。

第一次浪潮：1958年，计算机科学家罗森布拉特提出两层神经元组成的神经网络，称为感知机模型。该模型可以进行二分类，并于1962年被证明具有收敛性，理论与实践的成功引发神经网络的发展的第一次浪潮。然而，1969年，感知机模型被证明本质上是一种线性模型，无法对线性不可分的数据进行分类，直接导致神经网络的研究停滞将近20年。

第二次浪潮：1986年，神经网络之父杰弗里·欣顿发明了适用于多层感知机模型（MLP）的反向传播算法（BP），并采用sigmoid函数对输入数据进行非线性映射，有效解决了非线性的分类问题。该发明引发了神经网络发展的第二次浪潮。然而，1991年，BP算法被指出存在梯度消失的问题，直接阻碍了深度神经网络的进一步发展。

第三次浪潮：2006年，杰弗里·欣顿和他的学生提出了深度神经网络训练中梯度消失问题的求解办法，即才用无监督学习的方法对神经网络的参数初始化，再采用监督学习的方法对参数微调。该发明直接掀起了神经网络发展的第三次浪潮。

人工智能、机器学习、深度学习三者的关系，是相继包含的关系。机器学习是人工智能的一个子领域，而深度学习是一种机器学习方法，机器学习还有很多其他模型和zepjat.gq方法，例如：逻辑回归、支持向量机、决策树等等。