一文读懂 AI 生态中人工智能、机器学习、神经网络与深度学习之间的关系-优快云博客

本文链接：https://blog.youkuaiyun.com/xidianjiapei001/article/details/146917607

在这里插入图片描述

你经常会听到人工智能（AI）、机器学习（ML）、神经网络（NNs）和深度学习（DL）这些术语。

今天，我们将讨论人工智能、机器学习、神经网络和深度学习之间的相互关系。

通过查看上面的图表（见本文的封面图片），我们可以得出以下结论。

人工智能是一个广泛的领域。机器学习、神经网络和深度学习是人工智能的子领域。
神经网络和深度学习是机器学习的特定领域。在学习神经网络和深度学习之前，你应该熟悉一般的机器学习知识。
并非所有的神经网络都是深度学习模型。

让我详细解释一下每个术语。

人工智能（AI）

人工智能是一种先进的技术，它使机器和系统能够获得智能和预测能力。人工智能系统从我们提供的过往经验或数据中学习。机器学习（ML）和深度学习（DL）是人工智能的两个最重要的方面。如今，我们可以看到复杂的人工智能系统。然而，它们中的大多数与存在自然智能的人类大脑还相差甚远。

机器学习（ML）

机器学习是指计算机能够从数据中学习而无需进行明确编程的能力。区分机器学习和传统编程可能会很有帮助。

在传统编程中，程序员会明确编写规则，以定义程序在计算机或机器上的运行方式。但在机器学习中，模型是从数据中学习规则的。我们无需明确编写这些规则。不过，我们仍然需要编写构建机器学习模型所需的代码。

在训练机器学习模型时，它应该从数据中学习，而不是记住数据。在从数据中学习的过程中，机器学习模型能够发现数据中隐藏的模式，或者对训练过程中未使用的新数据做出准确的预测。如果一个机器学习模型只是记住数据而不是学习数据中的模式，那么它将无法对新的输入数据进行泛化。在这种情况下，模型往往会出现过拟合——这是我们在训练过程中应该避免的一个问题。

机器学习可以分为三个不同的类别。

监督学习

在监督学习中，机器学习模型是用有标签的数据进行训练的。我们需要为输入提供数据样本（称为X）和标签（称为y）。监督学习算法的目标是找到一个函数f(θ)，它能更准确地将X映射到y。在训练过程中从数据中学习到的模型参数会以使得目标函数最小化的方式进行更新。一个监督模型会预测一个结果，并将其与真实（实际）值进行比较。监督学习模型有两种类型——回归和分类。回归模型预测一个连续值，而分类模型预测一个离散值（类别）。线性回归、逻辑回归、支持向量机、决策树、随机森林、XGBoost、CatBoost是一些常用的监督学习算法。