人工智能、机器学习和深度学习是当前大家听得比较多的三个概念，但仍有很多人难以区分他们三者之间的关系，有时还容易将三者弄混。本文根据网络资料，简单整理以下内容，方便更好地认识三者之间的关系。人工智能、机器学习、深度学习三者之间是包含的关系。根据下图可看出，人工智能包含了机器学习，机器学习包含了深度学习。人工智能是使得机器能模拟人的行为，机器学习是能从过往经验或数据中学习并提高（预测），深度学习涉及一些复杂的算法去训练模型。
人工智能，简而言之，是创造智能机器的概念。主要目标是开发能自力更生的机器，通过向机器传递数据、信息，让机器尽可能像人一样思考和行动。
机器学习，是人工智能的一个子集，构建人工智能驱动的应用程序。使用计算机算法和分析来构建可以解决一些问题的模型。一般而言，机器学习需要有输入（大量的数据）、学习的过程（机器学习算法）、输出（预测的结果）三个内容。
机器学习算法包括监督学习、无监督学习、强化学习三大类。- 监督学习：数据已经被提前标记，系统已知目标变量，可以根据数据预测未来结果，要求至少为模型提供一个输入和输出变量，以便对其进行训练。例如使用猫和狗的图对系统训练，以此来预测和判断新给的图是猫还是狗。监督学习常见技术包括：线性回归、逻辑回归、支持向量机、朴素贝叶斯和决策树等。（具体各个技术详细内容后期更新）
无监督学习：使用未标记的数据，并能自行从数据中发现模式，即系统能从提供的输入数据中识别隐藏的特征。如果数据具有较好的可读性，那么模式和相似性也变得更加明显。例如，输入大量未经标记的车辆数据，可以实现对车辆类型的分类。
无监督学习常见的技术包括：K均值聚类、层次聚类、异常检测等。
强化学习：
又称再励学习，是机器学习的范式和方法论之一。
描述和解决智能体在与环境交互过程中通过学习策略以达成回报最大化或实现特性目标的问题。
智能体从环境接收观测和奖励，并向环境做出反应。
比如可以通过强化学习训练机器识别形状。
以下是机器学习实际操作涉及的七个步骤：
收集数据、数据预处理、选择模型、训练模型、评估模型、调整参数、进行预测
深度学习，是机器学习的一个子集。深度学习可处理大量结构化和非结构化数据，核心概念为“人工神经网络”。深度学习与机器学习之间的区别主要在于数据呈现给机器的方式。机器学习算法通常需要结构化数据，而深度学习算法则需要多层神经网络。深度学习热度不断增长，是现代人工智能主流技术之一。深度学习在网络中如何工作呢？首先计算输入的加权和，然后计算的权重总和作为输入传递给激活函数。激活函数将输入的加权和作为函数的输入，加上一个偏差并决定神经元是否应该被激发，接着输出层给出预测的输出。模型输出还会与实际的输出进行比较。训练好神经网络后，模型使用反向传播的方法来提升网络的性能，这有利于降低错误率。
以上内容来自网络，主要用于学习笔记记录，如有侵权，告知删除！
fro: 人工智能、机器学习、深度学习的区别是什么？_哔哩哔哩_bilibili
