深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集，而機(jī)器學(xué)習(xí)是人工智能的一個(gè)子集。這些新興技術(shù)中的每一項(xiàng)都在幾乎所有領(lǐng)域重塑IT行業(yè)的格局。

從計(jì)算機(jī)時(shí)代開始之前，科學(xué)家就被可能創(chuàng)造出像人類一樣的機(jī)器的想法所吸引。但在過去十年中，技術(shù)進(jìn)步才能使某些形式的人工智能（AI）成為現(xiàn)實(shí)。

隨著人工智能用例數(shù)量的激增，人們對(duì)人工智能應(yīng)用的興趣也急劇上升。許多調(diào)查發(fā)現(xiàn)，90％以上的企業(yè)或者已經(jīng)在運(yùn)營(yíng)中使用人工智能，或者計(jì)劃在不久的將來使用人工智能。

人工智能初創(chuàng)公司渴望利用這一趨勢(shì)，都急于將人工智能功能推向市場(chǎng)。在銷售大數(shù)據(jù)分析和數(shù)據(jù)科學(xué)工具的供應(yīng)商中，兩種類型的人工智能變得特別受歡迎：機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。

雖然許多解決方案都帶有“人工智能”、“機(jī)器學(xué)習(xí)”和／或“深度學(xué)習(xí)”標(biāo)簽，但這些術(shù)語的真正含義的混淆仍然存在于市場(chǎng)中。下圖提供了這些不同技術(shù)之間關(guān)系的直觀表示：

如圖所示，機(jī)器學(xué)習(xí)是人工智能的一個(gè)子集。換句話說，所有的機(jī)器學(xué)習(xí)都是人工智能，但并非所有人工智能都是機(jī)器學(xué)習(xí)。

同樣，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集。同樣，所有深度學(xué)習(xí)都是機(jī)器學(xué)習(xí)，但并非所有機(jī)器學(xué)習(xí)都是深度學(xué)習(xí)。

人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)都是相互關(guān)聯(lián)的，深度學(xué)習(xí)嵌套在機(jī)器學(xué)習(xí)中，而機(jī)器學(xué)習(xí)又是人工智能更大學(xué)科的一部分。

人工智能“包含”機(jī)器學(xué)習(xí)和深度學(xué)習(xí)

計(jì)算機(jī)擅長(zhǎng)數(shù)學(xué)和邏輯推理，但他們很難掌握人類可以很自然地完成的其他任務(wù)。例如，人類嬰兒只有幾個(gè)月大時(shí)就學(xué)會(huì)識(shí)別和命名物體，但直到最近，機(jī)器才能識(shí)別圖片中的物體。雖然任何一個(gè)蹣跚學(xué)步的孩子都能很容易地分辨貓和狗，但電腦實(shí)施這項(xiàng)任務(wù)要困難得多。事實(shí)上，驗(yàn)證碼服務(wù)有時(shí)會(huì)使用這種類型的問題來確保特定用戶是人類而不是機(jī)器人。

在20世紀(jì)50年代，科學(xué)家們開始討論如何讓機(jī)器像人類一樣“思考”。 1956年，約翰·麥卡錫組織了一次關(guān)于這一主題的會(huì)議，“人工智能”這一術(shù)語進(jìn)入了詞典。那些參加的專家呼吁更多地研究“關(guān)于學(xué)習(xí)的每一個(gè)方面或智力的任何其他特征原則上都可以被如此精確地描述，以至于可以制造一臺(tái)機(jī)器來模擬它的猜想�！�

這些早期研究人員中的一些人認(rèn)為，他們解決這些問題只需要幾年時(shí)間。然而實(shí)際上，計(jì)算機(jī)硬件和軟件花費(fèi)了幾十年才能達(dá)到可以實(shí)現(xiàn)圖像識(shí)別、自然語言處理和機(jī)器學(xué)習(xí)等人工智能應(yīng)用的程度。

批評(píng)者指出，人工智能系統(tǒng)與計(jì)算機(jī)之間存在著很大的區(qū)別，前者能夠分辨貓和狗之間的區(qū)別，并與人類一樣具有真正的智能。大多數(shù)研究人員認(rèn)為，人們離創(chuàng)造一種人工通用智能（也叫強(qiáng)人工智能）還有幾年甚至幾十年的時(shí)間，這種人工智能似乎和人類一樣有意識(shí)，如果可能創(chuàng)造出這樣一個(gè)系統(tǒng)的話。

如果人工智能的進(jìn)步有一天會(huì)成為現(xiàn)實(shí)，那么機(jī)器學(xué)習(xí)似乎肯定會(huì)在系統(tǒng)的能力中發(fā)揮重要作用。

機(jī)器學(xué)習(xí)：人工智能的關(guān)鍵驅(qū)動(dòng)因素

正如第一次人工智能會(huì)議的與會(huì)者所說的那樣，機(jī)器學(xué)習(xí)是人工智能的一個(gè)特殊分支，它與計(jì)算機(jī)“自我提高”有關(guān)。另一位20世紀(jì)50年代的計(jì)算機(jī)科學(xué)家Arthur Samuel將機(jī)器學(xué)習(xí)定義為“在沒有明確編程的情況下學(xué)習(xí)的能力”。

在傳統(tǒng)的計(jì)算機(jī)編程中，開發(fā)人員通過計(jì)算機(jī)實(shí)施確切的操作，給定一組輸入，系統(tǒng)將返回一組輸出，就像人類程序員告訴它一樣。

機(jī)器學(xué)習(xí)是不同的，因?yàn)闆]有人告訴機(jī)器究竟該做什么。相反，他們提供機(jī)器數(shù)據(jù)并允許它自己學(xué)習(xí)。

一般來說，機(jī)器學(xué)習(xí)有三種不同的形式：

（1）強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)是最古老的機(jī)器學(xué)習(xí)類型之一，它在教授計(jì)算機(jī)如何玩游戲時(shí)非常有用。

強(qiáng)化學(xué)習(xí)對(duì)于自動(dòng)駕駛汽車等應(yīng)用程序也很有用，在這些應(yīng)用程序中，系統(tǒng)可以接收有關(guān)其是否表現(xiàn)良好或不良的反饋，并使用該數(shù)據(jù)隨時(shí)間推移而改進(jìn)。

（2）監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)在分類應(yīng)用中特別有用，例如教授機(jī)器學(xué)習(xí)系統(tǒng)來區(qū)分狗和貓的圖片。

在這種情況下，人們將為應(yīng)用程序提供大量以前標(biāo)記為狗或貓的圖像。根據(jù)該訓(xùn)練數(shù)據(jù)，計(jì)算機(jī)將得出關(guān)于區(qū)分這兩種動(dòng)物的結(jié)論，并且能夠?qū)⑵鋵W(xué)到的東西應(yīng)用于新圖片。

隨著系統(tǒng)隨著時(shí)間的推移吸收更多數(shù)據(jù)，它將在任務(wù)中變得越來越好。據(jù)說這種技術(shù)是“監(jiān)督的”，因?yàn)樗�要求人類在學(xué)習(xí)過程的前沿和之后對(duì)圖像進(jìn)行標(biāo)記，并監(jiān)督學(xué)習(xí)過程。

（3）無監(jiān)督學(xué)習(xí)

相比之下，無監(jiān)督學(xué)習(xí)并不依賴于人類為系統(tǒng)標(biāo)記訓(xùn)練數(shù)據(jù)。相反，計(jì)算機(jī)使用聚類算法或其他數(shù)學(xué)技術(shù)來找到數(shù)據(jù)組之間的相似性。

無監(jiān)督機(jī)器學(xué)習(xí)對(duì)于許多企業(yè)領(lǐng)導(dǎo)者感興趣的大數(shù)據(jù)分析類型特別有用。例如，組織可以使用無監(jiān)督學(xué)習(xí)來發(fā)現(xiàn)客戶群之間的相似性，并更好地定位其營(yíng)銷或定制其定價(jià)。

一些推薦引擎依賴于無監(jiān)督的學(xué)習(xí)來告訴人們誰喜歡一部電影或一本書，可能還喜歡其他的電影或書籍。無監(jiān)督的學(xué)習(xí)也可以幫助識(shí)別可能表明某人的信譽(yù)或提出保險(xiǎn)索賠的可能性的特征。

各種人工智能應(yīng)用，如計(jì)算機(jī)視覺、自然語言處理、面部識(shí)別、文本對(duì)文本、語音對(duì)文本、知識(shí)引擎、情感識(shí)別等，經(jīng)常使用機(jī)器學(xué)習(xí)能力。一些機(jī)器學(xué)習(xí)的主要類型有兩種或更多的組合，在一些情況下，被稱為“半監(jiān)督”，因?yàn)樗鼈儼�含了一些監(jiān)督學(xué)習(xí)的技術(shù)和一些無監(jiān)督學(xué)習(xí)的技術(shù)。有些機(jī)器學(xué)習(xí)技術(shù)（例如深度學(xué)習(xí)）可以被監(jiān)管、監(jiān)督或兩者兼而有之。

深度學(xué)習(xí)：推動(dòng)機(jī)器學(xué)習(xí)和人工智能的動(dòng)力

“深度學(xué)習(xí)”這個(gè)術(shù)語在20世紀(jì)80年代首次投入使用，使其成為比機(jī)器學(xué)習(xí)或人工智能更新的概念。

深度學(xué)習(xí)描述了監(jiān)督和非監(jiān)督機(jī)器學(xué)習(xí)系統(tǒng)有時(shí)使用的特定類型的架構(gòu)。具體來說，它是一種分層架構(gòu)，其中一個(gè)層接受輸入并生成輸出。然后，它將該輸出傳遞到體系結(jié)構(gòu)中的下一層，該層使用它來創(chuàng)建另一個(gè)輸出。然后，該輸出可以成為系統(tǒng)中下一層的輸入，依此類推。該架構(gòu)被稱為“深層”，因?yàn)樗�有很多層�?/p>

為了創(chuàng)建這些分層系統(tǒng)，許多研究人員設(shè)計(jì)了以人腦為模型的計(jì)算系統(tǒng)。從廣義上講，他們稱這些深度學(xué)習(xí)系統(tǒng)為人工神經(jīng)網(wǎng)絡(luò)（ANN）。人工神經(jīng)網(wǎng)絡(luò)有幾種不同的類型，包括深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)等。這些神經(jīng)網(wǎng)絡(luò)使用與人腦中的神經(jīng)元相似的節(jié)點(diǎn)。

神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)在過去十年中變得越來越流行，其部分原因是硬件的進(jìn)步，特別是圖形處理單元（GPU）的改進(jìn)，使它們更加可行。傳統(tǒng)上，系統(tǒng)設(shè)計(jì)人員使用圖形處理單元（GPU）來執(zhí)行顯示高質(zhì)量視頻和3D游戲所需的高級(jí)計(jì)算。

然而，這些圖形處理單元（GPU）也擅長(zhǎng)深度學(xué)習(xí)所需的計(jì)算類型。隨著圖形處理單元（GPU）性能的提高和成本的降低，人們已經(jīng)能夠創(chuàng)建高性能系統(tǒng)，可以在更短的時(shí)間內(nèi)完成深度學(xué)習(xí)任務(wù)，并且成本遠(yuǎn)低于過去的情況。

如今，任何人都可以通過Amazon Web Services、Microsoft Azure、谷歌云和IBM Cloud等云計(jì)算服務(wù)輕松訪問深度學(xué)習(xí)功能。