012：一文搞懂人工智能、机器学习、深度学习的关系

本文为合集收录，欢迎查看合集/专栏链接进行全部合集的系统学习。

合集完整版请参考这里。

很多年前，我曾经听一个机器学习的公开课，在Q&A环节，一个同学问了老师一个问题“机器学习和深度学习是什么关系”？

老师先是没有回答，而是反问了在场的同学，结果问了2-3个，没有人可以回答的很到位。后来老师解释“机器学习和深度学习并不是姊妹关系，而是包含与被包含的关系”。

在开始进入深度学习部分的内容之前，有必要稍微解释清楚人工智能、机器学习、深度学习这三个概念，因为这三个概念，很多从业者也很难说清楚，更别提初学者了。

这三个概念，从关系上讲：人工智能 > 机器学习 > 深度学习。

三者的关系

人工智能是最宽泛的概念：所有与模拟人的智能、扩展人的智能有关的技术都可以认为是人工智能，它涵盖了计算机视觉、自然语言处理、知识表达和推理等多个领域。

机器学习是人工智能的一个子领域：它特指让机器具有学习能力的技术，侧重通过数据训练或者建立统计模型来让机器学到一些规则或经验，它涵盖了很多技术算法，常见的有决策树、随机森林等。

深度学习是机器学习中的一个特殊方法，也是目前发展最为火热的一个学科。它侧重在通过构建深度神经网络，并且利用大量数据进行网络模型的训练和推理，目前深度学习理论已经在CV(计算机视觉）、NLP(自然语言处理）等领域大放异彩，比如GPT大模型，文生图等模型。

说到这可能还不太好理解，接下来给几个例子，来说明互相的区别。

一个典型的属于人工智能而不属于机器学习的例子是机器人。

机器人的机械设计、路径规划和传感执行等技术，并不依赖于机器学习。虽然你也可以利用机器学习的方法来改进路径规划和路径决策，但这仅仅是机器人学科中的一部分。

所以可以这么说，机器人是一个典型的人工智能应用，它覆盖了多个领域的技术，包括机器学习。

再说一个属于机器学习但不属于深度学习的例子。

典型的比如决策树算法，该算法可以对输入数据进行分类和回归预测，是一个分类回归模型。更简单的一个例子是二元一次方程的回归：给定一些散点图，你可以通过最小二乘法拟合并且回归出一条直线。

所以说，深度学习范围最小，但目前发展最为迅速和广泛。

深度学习的核心思想是深度。所谓的深度，是需要构建多层深度的神经网络，如果只有一层，可能还不能称之为深度学习。

深度学习研究的过程就是构建深度神经网络，自动的从原始数据中进行数据特征的学习，并且通过反向传播算法来进行模型的训练。

后面我们会亲自搭建一个深度神经网络，也就是广为人知的resnet50模型。