我們經(jīng)?？吹竭@幾個熱詞：人工智能（ArtificialIntelligence）、機器學習（MachineLearning）和深度學習（DeepLearning），但是它們之間究竟有什么區(qū)別和聯(lián)系呢？

人工智能（AI）的根本在于智能，即如何為機器賦予人的智能，這是一個非常大的范圍。

機器學習（ML）是指通過數(shù)據(jù)訓練出能完成一定功能的模型，是實現(xiàn)人工智能的手段之一，也是目前最主流的人工智能實現(xiàn)方法。人工智能是科學，機器學習是讓機器變得更加智能的方法或算法。

深度學習（DL）是機器學習的一個分支。深度即層數(shù)，超過 8 層的神經(jīng)網(wǎng)絡模型就叫深度學習。深度學習也是當下最流行的機器學習的一種。目前在語音、圖像等領域取得了很好的效果。

三者之間是從大到小的包含關系。

今天重點介紹一下機器學習ML。

機器學習直接來源于早期的人工智能領域。

機器學習為什么如此重要？機器學習之所以成為人工智能背后的強勁動力是在于一個重大突破--互聯(lián)網(wǎng)的發(fā)明?；ヂ?lián)網(wǎng)有大量的數(shù)字信息被生成存儲和分析。機器學習算法在這些大數(shù)據(jù)方面是最有效的。

機器學習最基本的做法，是使用算法來解析數(shù)據(jù)、從中學習，然后對真實世界中的事件做出決策和預測。與傳統(tǒng)的為解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數(shù)據(jù)來“訓練”，通過各種算法從數(shù)據(jù)中學習如何完成任務。機器學習則是機器通過大數(shù)據(jù)的輸入，從中主動尋求規(guī)律，驗證規(guī)律，最后得出結(jié)論，機器據(jù)此結(jié)論來自主解決問題，如果出現(xiàn)了偏差，會自主糾錯。

那么什么是機器學習呢？

機器學習ML（Machine Learning）是一門人工智能的學科，一門多領域交叉學科，涉及概率論、統(tǒng)計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。

機器學習ML是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演繹。

ML defined byLangley（1996） - Machine learning is a science of the artificial. Thefield‘s main objects of study are artifacts， specifically algorithms that improvetheir performance with experience.

ML defined byTom Mitchell （1997）- Machine Learning is the study of computeralgorithms that improve automatically through experience.

ML defined byAlpaydin（2004） - Machine learning is programming computers to optimize aperformance criterion using example data or past experience.

機器學習的本質(zhì)是空間搜索和函數(shù)的泛化。無論使用哪種機器學習模型，都要經(jīng)歷要經(jīng)歷“建立模型”，“訓練模型”，“反饋”，“應用”的過程。而這個過程，跟一個嬰兒認識世界，獲取知識的過程是一樣的。培養(yǎng)機器建立人的認識的過程，就是“機器學習”。

機器學習常見分類：

1）有監(jiān)督學習（supervised learning）：從給定的訓練數(shù)據(jù)集中學習出一個函數(shù)，當新的數(shù)據(jù)到來時，可以根據(jù)這個函數(shù)預測結(jié)果。主要應用于分類和預測。監(jiān)督學習的訓練集要求是包括輸入和輸出，也可以說是特征和目標。訓練集中的目標是由人標注的。常用算法包括人工神經(jīng)網(wǎng)絡（Artificial neural network）、貝葉斯（Bayesian） 、決策樹（Decision Tree）和線性分類（Linear classifier）等 。