虽然这些术语中都有相对特定的含义，但在某些方面既有重叠，也有一些区别，不过都离不开大数据。伴随在数据处理真正的突破，也势必会带来一些不可避免的炒作。而正确的理解这些术语便于我们正确的使用它们。

　　机器学习

　　在最基本的层面上，机器学习是指任何类型的计算机程序，可以自己“学习”，而不必由人去编程。

　　这个术语最早起源于阿兰·图灵(Alan Turing)在 1950 年发表的一篇著名论文“计算机械与人工智能”，就提出了“机器人能思考吗?”

　　今天，机器学习是一个广泛使用的术语，涵盖了许多类型的程序，多数在大数据分析和数据挖掘中运行。实际上的应用大多数为预测性计划(包括垃圾邮件过滤，产品推荐和欺诈检测)提供的“大脑”就是机器学习算法。

▲线性分类算法

　　数据科学家将熟悉监督机器学习与无监督机器学习之间的差异，以及综合模型和使用方法技术的组合，以及结合监督和无监督方法的半监督学习。

　　监督学习是训练神经网络和决策树的最常见技术。在监督学习中，用户训练程序以基于已知和标记的数据集生成答案。

　　与监督学习不同，无监督学习中数据没有任何标签或者说相同的标签。针对数据集，无监督学习就能判断出数据有两个不同的聚集簇。无监督学习算法可能会把这些数据分成两个不同的簇。所以叫做聚类算法。无监督学习有着大量的应用。它用于组织大型计算机集群。第二种应用就是社交网络的分析。

　　数据科学家可以使用一系列技术和语言来编写机器学习算法，包括Java，Python，Scala等。他们还可以使用预先构建的机器学习框架来加速过程; Mahout是Apache Hadoop上受欢迎的一个机器学习框架，而Apache Spark的MLlib库已经成为一个标准。

　　深度学习

　　深度学习是机器学习的一种形式，可以利用监督或无监督的算法，或两者兼而有之。虽然不一定是新的，但深度学习最近人气激增，作为加速解决某些困难类型的计算机问题方法，最显著的应用是计算机视觉和自然语言处理(NLP)领域。

　　深度学习是基于机器学习理论的表征学习(或特征学习)分支。通过分层学习过程提取高级，复杂的抽象作为数据表示，深度学习模型比标准机器学习方法更快地产生结果。在简单的英文中，一个深入的学习模式将会学习本身重要的特征，而不是要求数据科学家手动选择相关的特征，例如猫图像中发现的耳朵的一致性。

▲深度学习上猫的图片

　　深层次学习中的“深层次”来源于深层学习模式，通常是神经网络。卷积神经网络(CNN)可以由许多层次的模型组成，其中每层从前一层获取输入，处理它，并以菊花链方式将其输出到下一层。由Google的DeepMind团队开发的AlphaGo击败了世界冠军，许多人认为这是一个深度学习兴盛的标志。

▲神经网络可以有很多隐藏层

　　深度学习今天如此受欢迎，主要有两个原因。首先，发现CNN在GPU上运行得更快，例如NVidia的Tesla K80处理器。其次，数据科学家意识到，我们收集的庞大的数据库可以作为一个大规模的训练资料库，从而使CNN大大提高了计算机视觉和NLP算法的准确性。

　　而目前我们看到的开发自动驾驶的大部分进展可归功于使用CNN在GPU上的深度学习进展，这有助于促进深度学习和更广泛的人工智能领域的进一步发展。

　　人工智能

　　像机器学习和深度学习一样，人工智能也不是“新的”，但它绝对体现了一种复兴。人们使用这个词的方式也在变化。

　　当图灵第一次设计他的测试时，人工智能这个词主要保留在一个可以广泛模仿人类智慧的技术上。在这过去是一件遥不可及的事，就像我们今天谈时间旅行一样。

▲短命的Tay, Microsoft's AI chatbot

　　今天，人工智能或AI通常用于指任何类型的机器学习程序。在这方面，它开始取代“大数据”及其挂钩的“高级分析”和“预测分析”。对于那些不喜欢“大数据”一词的人，这可能是一件好事。

　　有人因为人工智能的发展而感到担忧，马云则强调不必担忧。“我认为未来机器会比人类更聪明，但未必会比人类更明智。”马云表示，他希望人类在技术上被机器战胜。但人类的智慧是核心，应该充分使用这些机器在应对疾病、贫穷等方面发挥作用。

作者：老鱼

来源：IT168

原文链接:机器学习，深度学习和AI：有什么区别？