人工智能、机器学习、深度学习和神经网络的关系解析

人工智能、机器学习、深度学习和神经网络的关系解析点击上方蓝字关注我们

随着2023年初，ChatGPT的出圈，人工智能（Artificial Intelligence，简称AI）成为科技领域最炙手可热的话题之一。它被赋予了广泛的定义，涵盖了模拟人类智能的各个方面。人工智能（Artificial Intelligence）、机器学习（Machine Learning，简称ML）、深度学习（Deep Learning，简称DL）和神经网络（Neural Networks）这些重要概念也席卷而来。

之前看机器学习的时候，关注的也主要是监督学习、无监督学习的相关算法和原理（这部分后续也会逐步整理下之前的笔记放到公众号上来）。对于深度学习、神经网络这些了解非常有限，正好上一篇文章“Artificial Intelligence in Molecular Medicine” 中提供了一个AI相关方法逻辑图，借此机会整理下相关概念，形成一个相对完整的框架。也希望对大家有帮助。

人工智能（英语：artificial intelligence，缩写为AI）亦称智械、机器智能，指由人制造出来的机器所表现出来的智能。通常人工智能是指通过普通计算机程序来呈现人类智能的技术。人工智能方向也有多个研究课题，包括但不限于：演绎推理、知识表示、专家系统、自然语言处理、机器学习、机器人学、计算机视觉和语音识别、规划与调度等。

人工智能、机器学习、深度学习和神经网络的关系解析

机器学习（Machine Learning，简称ML）是人工智能的一个研究分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径之一，即以机器学习为手段，解决人工智能中的部分问题。

机器学习，从学习方式上可以分成4类：监督学习从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。无监督学习与监督学习相比，训练集没有人为标注的结果。半监督学习介于监督学习与无监督学习之间。增强学习机器为了达成目标，随着环境的变动，而逐步调整其行为，并评估每一个行动之后所到的回馈是正向的或负向的。

但是这些不同的学习方式其实对应着多种不同的算法，如监督学习常用的算法有决策树、支持向量机、随机森林、最近邻算法、逻辑回归、等；无监督学习常用的算法有K均值、主成分分析、奇异值分解、高斯混合模型等；半监督学习常用算法有自训练、生成式模型等；强化学习常用的方法有蒙特卡洛模型、Q学习、深度强化学习等；当然还有一些泛化的算法，对学习方式并没有非常明确界定，例如深度学习（英语：deep learning）是一种以神经网络为架构，对资料进行表征学习的算法。再比如集成学习（英语：Ensemble learning）方法使用多种学习算法来获得比单独使用任何单独的学习算法更好的预测性能。

深度学习（英语：deep learning）是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。深度学习中的形容词“深度”是指在网络中使用多层。已有数种深度学习框架，如深度神经网络、卷积神经网络和深度置信网络和循环神经网络已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

人工神经网络（英语：Artificial Neural Network，ANN），简称神经网络（Neural Network，NN）或类神经网络，在机器学习和认知科学领域，是一种模仿生物神经网络（动物的中枢神经系统，特别是大脑）的结构和功能的数学模型或计算模型。神经网络由大量的人工神经元联结而成，常见的神经网络结构图如下。

参考资料

[1]. wikipedia

[2]. The mostly complete chart of Neural Networks, explained

后续将逐步学习整理一些机器学习的算法进行分享。