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

從計算機(jī)時代開始之前，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。

隨著人工智能用例數(shù)量的激增，人們對人工智能應(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)在運營中使用人工智能，或者計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，都急于將人工智能功能推向市場。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)

計算機(jī)擅長數(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，人類嬰兒只有幾個月大時就學(xué)會識別和命名物體，但直到最近，機(jī)器才能識別圖片中的物體。雖然任何一個蹣跚學(xué)步的孩子都能很容易地分辨貓和狗，但電腦實施這項任務(wù)要困難得多。事實上，驗證碼服務(wù)有時會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間。然而實際上，計算機(jī)硬件和軟件花費了幾十年才能達(dá)到可以實現(xiàn)圖像識別、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。

批評者指出，人工智能系統(tǒng)與計算機(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間，這種人工智能似乎和人類一樣有意識，如果可能創(chuàng)造出這樣一個系統(tǒng)的話。

如果人工智能的進(jìn)步有一天會成為現(xiàn)實，那么機(jī)器學(xué)習(xí)似乎肯定會在系統(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)動因素

正如第一次人工智能會議的與會者所說的那樣，機(jī)器學(xué)習(xí)是人工智能的一個特殊分支，它與計算機(jī)“自我提高”有關(guān)。另一位20世紀(jì)50年代的計算機(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)的計算機(jī)編程中，開發(fā)人員通過計算機(jī)實施確切的操作，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，因為沒有人告訴機(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，它在教授計算機(jī)如何玩游戲時非常有用。

強(qiáng)化學(xué)習(xí)對于自動駕駛汽車等應(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)，計算機(jī)將得出關(guān)于區(qū)分這兩種動物的結(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”，因為它要求人類在學(xué)習(xí)過程的前沿和之后對圖像進(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，并更好地定位其營銷或定制其定價。

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)也可以幫助識別可能表明某人的信譽(yù)或提出保險索賠的可能性的特征。

各種人工智能應(yīng)用，如計算機(jī)視覺、自然語言處理、面部識別、文本對文本、語音對文本、知識引擎、情感識別等，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”，因為它們包含了一些監(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)：推動機(jī)器學(xué)習(xí)和人工智能的動力

“深度學(xué)習(xí)”這個術(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”，因為它有很多層。

為了創(chuàng)建這些分層系統(tǒng)，許多研究人員設(shè)計了以人腦為模型的計算系統(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。

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游戲所需的高級計算。

然而，這些圖形處理單元（GPU）也擅長深度學(xué)習(xí)所需的計算類型。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等云計算服務(wù)輕松訪問深度學(xué)習(xí)功能。