1。人工智能，机器学习与深度学习之间的关系

对于许多只是学习人工智能的学习者，他们对人工智能，机器学习和深度学习之间的概念和差异了解不多。您可能每天都能听到这个概念并经常提及这个概念，但是您真的了解它们之间的关系吗？然后，让我从概念和特征中解释它。让我们看看这三个之间的关系。

人工智能包括机器学习，机器学习包括深度学习，它们是子类和家长类之间的关系。

下图更细分。

2。什么是人工智能

人工智能（），英语的AI缩写。它是计算机科学的一个分支，自1970年代（太空技术，能源技术和人工智能）以来一直被称为世界上三种尖端技术之一。它也被认为是21世纪的三种尖端技术（基因工程，纳米科学和人工智能）之一。 1956年夏天，由麦卡西（），明斯基（），罗切斯特（）和谢农（）牵头的一群有远见的年轻科学家聚集在一起研究并讨论了一系列相关问题，该问题首次使用机器模拟智力，并提出了“人工智能”一词，这是第一次标志着“艺术知识”的正式诞生。人工智能是对人类意识和思维的信息过程的模拟。人工智能不是人类的智力，而是像人类一样思考，可能会超越人类的智慧。数学通常被认为是许多学科的基础科学。数学还进入了语言和思维领域，人工智能学科还必须借用数学工具。

人工智能的实用应用：机器视觉，指纹识别，面部识别，视网膜识别，虹膜识别，手掌印刷识别，专家系统，自动计划，智能搜索，智能搜索，定理，游戏，游戏，自动编程，智能控制，机器人控制，机器人技术，语言和图像理解，遗传学涉及诸如哲学和认知科学，数学，数学，遗传学学学，控制论，不定式理论等。研究类别包括自然语言处理，知识绩效，智能搜索，推理，计划，机器学习，知识获取，结合计划问题，感知问题，模式识别，模式识别，软计算，逻辑软计算，不准确和不确定弱人工智能（自上而下的AI）。如果您有兴趣，可以自己检查区别。

3。什么是机器学习

机器学习（ML）是人工智能，人工智能的分支和大型领域的核心。它使计算机具有像人类一样学习，模拟和实现人类学习行为和能力的能力，并且可以像人类一样识别和判断，这可以被视为生物学。机器学习的核心是数据，算法（模型）和计算能力（计算机计算能力）。过去，还有人工智能和机器学习。但是，近年来，网络的发展和大数据的积累使人工智能能够在数据和高计算能力中发挥作用。机器学习具有广泛的应用，例如：数据挖掘，数据分类，计算机视觉，自然语言处理（NLP），生物识别识别，搜索引擎，医学诊断，信用卡欺诈的检测，证券市场分析，DNA序列序列，语音和手持识别和手写识别，策略游戏和机器人应用程序等

Li 说机器快速准确，但是人类很聪明！机器学习实际上是总结数据并预测未知数。它具有高速计算能力，我们可以通过持续学习并提高准确性来使用它来识别各种植物，动物等。

机器学习是关于设计算法模型来处理数据并输出所需的结果。我们可以不断调整算法模型以形成更准确的数据处理功能。但是这种学习不会使机器意识到。

机器学习如何工作

选择数据：将数据分为三组：培训数据，验证数据和测试数据。

模型数据：使用培训数据来构建使用相关功能的模型。

验证模型：使用您的验证数据访问模型。

测试模型：使用您的测试数据检查经过验证的模型的性能。

使用该模型：使用完全训练的模型对新数据进行预测。

调整模型：使用更多数据，不同的功能或调整后参数来提高算法的性能。

机器学习类别

基于学习策略的分类

机械学习（死记硬背）

教学（从或通过告诉）

演绎学习（通过）

类比学习（通过）

基于解释的学习（ - ，EBL）

归纳学习（来自）

基于获得的知识的表示形式分类

代数表达参数

决策树

正式语法

制作的规则

正式的逻辑表达

图片和网络

框架和模式（）

计算机程序和其他流程编码

神经网络

多个表示的结合

全面的分类

经验归纳学习（）

分析学习（）

模拟学习

遗传算法（）

加入学习

强化学习（）

学习表格分类

监督学习（）

无监督的学习（）

注意：如果您想细分，也有半监督的学习和强化学习。当然，随后的深度学习还具有监督学习，半监督学习和无监督学习之间的区别。

4.监督机器学习

监督学习（）是指使用一组已知类别样本来调整分类器的参数以实现所需的表现，也称为监督培训或教师学习的过程。也就是说，我们输入的数据是带有标签的示例数据（具有清晰的识别或结果，分类）。例如，我们输入了房屋的数据，这些数据都具有房价的财产标签。

监督学习是人们经常称之为分类的。通过培训现有的培训样本（即已知数据及其相应的输出）来获得最佳模型（此模型属于一组功能，最佳意味着它在某个评估标准下是最好的）。然后使用此模型将所有输入映射到相应的输出中，并对输出进行简单的判断以实现分类的目的。就像我输入一个人的信息一样，他也具有性别属性。输入模型后，我们清楚地知道输出结果，还可以验证模型的正确或错误。

例如，我们从来没有知道自年轻以来的手机，电视，鸟类和猪是什么，所以这些东西是输入数据，父母会根据他们的经验来指导我们，以告诉我们哪些手机，电视，鸟类和猪是。这是通过模型来判断分类。当我们掌握这些数据分类模型时，我们可以对这些数据做出自己的判断和分类。

在监督的学习下，输入数据称为“培训数据”。每组训练数据都有明确的识别或结果，例如在抗垃圾邮件系统中，“ 1”，“ 2”，“ 3”，“ 4”中的“垃圾邮件”和“非垃圾邮件”。在建立预测模型时，监督学习建立了学习过程，将预测结果与“培训数据”的实际结果进行比较，并不断调整预测模型，直到模型的预测结果达到预期的准确性为止。

监督学习的常见应用方案，例如分类问题和回归问题。 (ID3, C4.5 , etc.), , , ( ), (SVM), K (KNN, K-), (LR,), (ANN, ), and (Back), etc.

下图显示了几种监督学习算法的比较：

（请水平检查电话）

5。机器学习的无监督学习

无监督的学习（）是另一种经常研究的学习方法。 IT和监督学习之间的区别在于，我们没有任何培训样本，需要直接对数据进行建模。是否有监督（）取决于输入数据是否具有标签（）。如果将输入数据标记为标记（即，通过标识对数据进行分类），则是监督的学习，如果没有标签，则是无监督的学习（无监督的学习）。在许多实际应用中，没有大量的识别数据可供使用，并且识别数据需要大量的手动工作，这非常困难。我们需要无监督的学习来根据数据的相似性，特征和相关连接进行模糊的判断分类。

6.机器学习半监督学习**

半监督学习（半）是，带有标签数据的标签不是确定的，类似于：绝对不是某件事，它很可能是某种程度上。这是一种结合受监督学习和无监督学习的学习方法。半监督学习使用大量未标记的数据，同时使用标记的数据来执行模式识别工作。当使用半监督学习时，尽可能少的人需要做这项工作，同时，它会带来相对较高的精度。

在这种学习方法中，确定了输入数据部分，并且未识别该部分。该学习模型可以用于预测，但是该模型首先需要学习数据的内部结构，以便合理地组织数据以预测。半监督学习有两个样本集，一个标记为未标记，另一个未标记。描述为= {（xi，yi）}，= {（xi）}，数量，l