饮鹿网innov1000
近期很长一段时间，人工智能的普及度都维持在一定水平。 而当你关注或者研究人工智能领域的时候，总会遇到这样的关键词：深度学习、机器学习、神经网络。 那么他们之间到底是什么关系呢？
我先说人工智能。 人工智能是在1956年达特茅斯会议上提出的。更准确地说，学者们在1956年的会议上将其认定为人工智能，尽管对此的一些具体研究已经开始。
因此，人工智能早已是一个有着60多年历史的领域。 为什么人工智能近年来逐渐进入公众视野？ 虽然，这几年的人工智能浪潮早已是人工智能普及的第三次高潮，而且已经远远超过了之前的热度。 第一波和第二波都已消失在历史的长河中。 他们都在哪个时代遇到了自己的问题。 比如第一次是因为完美完成了一些人工智能项目后，需求比较复杂。 然而，人们发现当时的人工智能技术无法解决，导致世界主要研究国家中断了人工智能的研究经费。 第一次开发因缺乏资金而终止。 从本质上讲，该技术遇到了困境。 第二次浪潮期间，由于专家系统给很多企业带来了巨大的作用和效益，而在人工智能计划大力发展的时候，第四代计算机的强势发展所占据的空间已经没有了，几乎压垮了大部分的资金和资源。已投入人力开发第四代计算机。
不仅仅是外部激励的影响，还有人工智能本身的一些问题。 早期，两个核心问题是数据和算力。 虽然当时有一个特别好的拟合算法模型，但是放在了一个过拟合的模型上。 围巾意味着模型有很多维度，但没有详细、充分的数据支持。
虽然1956年之后，人工智能的发展速度非常快，解决了业界的很多问题，而且当时的科学家认为，按照当时的发展速度，机器可能在20年左右就达到人类的水平。 现在看来机器学习和人工智能，当时的科学巨头们思想还是过于开放。 直到60年后的明天，我们仍然在弱人工智能领域苦苦挣扎。
图1 人工智能产业发展历程
扯得有点远了，回到明天的主题，人工智能、机器学习、神经网络、深度学习之间的关系。
人工智能的概念可能是个坑，让很多人感到困惑。 简单来说，人工智能就是实现人类能做到的事情。 这就是目的。 有很多细节，我们可以理解为人脑的一部分，其核心就是机器学习。
图2 人工智能关系图
银鹭网（innov100）行业研究员认为，机器学习可以简单理解为实现人工智能的核心技术。 他不是单一的方法，而是很多算法的集合。 是的，人工智能的核心是由各种算法支撑的。 然而，今天的机器学习作为一种简单的半人工智能算法更容易理解。 例如，当我们浏览某个宝藏时，总会有推荐各种产品的栏目，或者当你浏览个别产品后，你会发现，甚至首页默认的搜索词都变成了你浏览的产品的关键词，其中包含了基于机器学习的推荐算法，但在后台，它还会创建用户画像，以更准确地预测你想要订购的产品。 虽然这样的技术实现背后还存在一定的问题，比如你的隐私，但如果预测得非常准确，你有什么样的隐私，你的所有操作都可能悄悄背叛你。
神经网络（NeuralNetwork）只是机器学习的众多算法之一。 它是为了模仿人脑的处理方式而设计的，希望它能够按照人脑的逻辑进行操作（虽然目前对人脑的研究还不够彻底）。 神经网络已经存在很多年了，但现在很少见了。 银鹭网（innov100）行业研究员认为，神经网络可以简单分为两层、单层、多层网络。 之前的神经网络存在很多问题，层数不太深，需要调整的参数太多，样本数据量太少。 事实上机器学习和人工智能，这是一项之前并不被看好的技术。 直到2006年，Hinton在《科学》及相关刊物上发表论文，首次提出“深度信念网络”的概念。
虽然深度学习（Deep Learning）可以看作是神经网络的延伸，但它从概念的提出开始，就逐渐在人工智能领域展现了自己的才华。 尤其是2012年，它在图像识别领域取得了惊人的成绩。 和神经网络一样，深度学习也是算法的集合，但这里的算法都是基于多层神经网络的新算法。 它是一种新的算法和结构。 最著名的新型网络结构是CNN，它解决了传统深度网络参数过多、难以训练的问题。 它利用“本地经验场”和“电厂共享”的概念，大大减少了网络参数的数量。重点是，这些结构确实非常适合类视觉任务在人脑中的工作方式。有很多新的东西途径：新的激活函数：ReLU、新的权值初始化方法（逐层初始化、XAVIER等）、新的损失函数、新的避免过拟合的方法（Dropout、BN等）。这方面主要是解决传统多层神经网络的一些缺点：梯度消失、过拟合等。
由于它解决了早期人工智能的一些遗留问题，在大数据和大计算能力的加持下，人工智能重新进入了大众的视野。 并已成为视觉识别、图像识别、语音识别、国际象棋人工智能等领域的核心技术。 所以现在深度学习是一种新的神经网络，它的本质仍然是神经网络，而且它和旧的神经网络不同。 此外，现在很少讨论神经网络。
希望你读完文章后能够了解人工智能、机器学习、神经网络和深度学习之间的关系。 另外，如果在此基础上继续拓展，还有迁移学习和强化学习，这些都会在以后的文章中继续探讨。