数据挖掘、机器学习、深度学习这些概念有区别吗？ - 知乎455被浏览80155分享邀请回答1597 条评论分享收藏感谢收起291 条评论分享收藏感谢收起查看更多回答2 个回答被折叠（）日，Google发布人工智能系统TensorFlow并宣布开源。这两年在不管在国内还是在国外，人工智能、机器学习仿佛一夜之前传遍大街小巷。机器学习作为人工智能的一种类型，可以让软件根据大量的数据来对未来的情况进行阐述或预判。如今，领先的科技巨头无不在机器学习下予以极大投入。Facebook、苹果、微软，甚至国内的百度，Google 自然也在其中。
去年早些时候 Google DeepMind 的 AlphaGo 项目在举世瞩目的围棋比赛中一举击败了韩国选手李世石，媒体就是使用了人工智能、机器学习和深度学习这几个术语，来解释 DeepMind 获胜的原因，并将它们混为一谈。但是三者其实不是一回事。
区别与联系
本文借助Michael Copeland的讲解，让我们撩开人工智能、机器学习和深度学习的概念，深入理解它们的关系和区别。为了搞清三者关系，我们来看一张图：
如图所示：人工智能最大，此概念也最先问世；然后是机器学习，出现的稍晚；最后才是深度学习。
在之前的文章 一文中，我们详细的介绍了机器学习的发展历史。
从低潮到繁荣
自从 1956 年计算机科学家们在达特茅斯会议（Dartmouth Conferences）上确认人工智能这个术语以来，人们就不乏关于人工智能奇思妙想，研究人员也在不遗余力地研究。在此后的几十年间，人工智能先是被捧为人类文明光明未来的钥匙，后又被当作过于自大的异想天开而抛弃。
但是在过去几年中，人工智能出现了爆炸式的发展，尤其是 2015 年之后。大部分原因，要归功于图形处理器（GPU）的广泛应用，使得并行处理更快、更便宜、更强大。另外，人工智能的发展还得益于几乎无限的存储空间和海量数据的出现（大数据运动）：图像、文本、交易数据、地图数据，应有尽有。
下面我们从发展的历程中来一一展开对人工智能、机器学习和深度学习的深度学习。
人工智能先驱们在达特茅斯开会时，心中的梦想是希望通过当时新兴的计算机，打造拥有相当于人类智能的复杂机器。这就是我们所说的“通用人工智能”（General AI）概念，拥有人类五感（甚至更多）、推理能力以及人类思维方式的神奇机器。在电影中我们已经看过无数这样的机器人，对人类友好的 C-3PO，以及人类的敌人终结者。通用人工智能机器至今只存在 于电影和科幻小说里，理由很简单：我们还实现不了，至少目前为止。
我们力所能及的，算是“弱人工智能”（Narrow AI）：执行特定任务的水平与人类相当，甚至超越人类的技术。现实中有很多弱人工智能的例子。这些技术有人类智能的一面。但是它们是如何做到的？智能来自哪里？这就涉及到下一个同心圆：机器学习。
机器学习是实现人工智能的一种方法。机器学习的概念来自早期的人工智能研究者，已经研究出的算法包括决策树学习、归纳逻辑编程、增强学习和贝叶斯网络等。简单来说，机器学习就是使用算法分析数据，从中学习并做出推断或预测。与传统的使用特定指令集手写软件不同，我们使用大量数据和算法来“训练”机器，由此带来机器学习如何完成任务。
许多年来，计算机视觉一直是机器学习最佳的领用领域之一，尽管还需要大量的手动编码才能完成任务。研究者会手动编写一些分类器（classifier），如边缘检测筛选器，帮助程序辨别物体的边界；图形检测分类器，判断物体是否有八个面；以及识别“S-T-O-P”的分类器。在这些手动编写的分类器的基础上，他们再开发用于理解图像的算法，并学习如何判断是否有停止标志。
但是由于计算机视觉和图像检测技术的滞后，经常容易出错。
深度学习是实现机器学习的一种技术。早期机器学习研究者中还开发了一种叫人工神经网络的算法，但是发明之后数十年都默默无闻。神经网络是受人类大脑的启发而来的：神经元之间的相互连接关系。但是，人类大脑中的神经元可以与特定范围内的任意神经元连接，而人工神经网络中数据传播要经历不同的层，传播方向也不同。
举个例子，你可以将一张图片切分为小块，然后输入到神经网络的第一层中。在第一层中做初步计算，然后神经元将数据传至第二层。由第二层神经元执行任务，依次类推，直到最后一层，然后输出最终的结果。
每个神经元都会给其输入指定一个权重：相对于执行的任务该神经元的正确和错误程度。最终的输出由这些权重共同决定。因此，我们再来看看上面提到的停止标志示例。一张停止标志图像的属性，被一一细分，然后被神经元“检查”：形状、颜色、字符、标志大小和是否运动。神经网络的任务是判断这是否是一个停止标志。它将给出一个“概率向量”（probability vector），这其实是基于权重做出的猜测结果。在本文的示例中，系统可能会有 86% 的把握认定图像是一个停止标志，7% 的把握认为是一个限速标志，等等。网络架构然后会告知神经网络其判断是否正确。
不过，问题在于即使是最基础的神经网络也要耗费巨大的计算资源，因此当时不算是一个可行的方法。不过，以多伦多大学 Geoffrey Hinton 教授为首的一小批狂热研究者们坚持采用这种方法，最终让超级计算机能够并行执行该算法，并证明该算法的作用。如果我们回到停止标志那个例子，很有可能神经网络受训练的影响，会经常给出错误的答案。这说明还需要不断的训练。它需要成千上万张图片，甚至数百万张图片来训练，直到神经元输入的权重调整到非常精确，几乎每次都能够给出正确答案。不过值得庆幸的是Facebook 利用神经网络记住了你母亲的面孔；吴恩达 2012 年在谷歌实现了可以识别猫的神经网络。
如今，在某些情况下，通过深度学习训练过的机器在图像识别上表现优于人类，这包括找猫、识别血液中的癌症迹象等。谷歌的 AlphaGo 学会了围棋，并为比赛进行了大量的训练：不断的和自己比赛。
人工智能的根本在于智能，而机器学习则是部署支持人工智能的计算方法。简单的将，人工智能是科学，机器学习是让机器变得更加智能的算法，机器学习在某种程度上成就了人工智能。
本文已收录于以下专栏：
相关文章推荐
概念什么是机器学习？
机器学习是英文名称Machine Learning(简称ML)的直译。机器学习涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学...
AI（Artificial Intelligence），即人工智能。人工智能领域的研究包括机器人、语音识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩...
[转] /news/201612/ivLxiAXyHTCqGu0K.html
导语：Andreesen说“软件正在占领全世界”，那么深度...
应 CSDN 运营朋友之邀写了一篇观点文章，作为一个刚刚入门的小硕，虽然不才，但厚着脸皮，发表一下自己浅薄的看法。
转自：http://blog.csdn.net/zouxy09/article/details/8775518
最近开始学习深度学习，基本上都是zouxy09博主的文章，写的蛮好，很全面，也会根据自己...
本来这篇还缺个RBM，但RBM在DBN中使用，暂时放在深度学习那里。这里看到一篇非常好的总结，保存下来。
转自：http://blog.csdn.net/fengbingchun/article/de...
人工神经网络简介
出于学习的需要，对人工智能领悟几个很重要的概念(人工智能、数据挖掘、模式识别、机器学习、深度学习)做了简单的总结。不一定很全，只是总结了几者主要的区别。
用python测试一下PSO寻找Rastrigin最小值的过程
他的最新文章
讲师：王哲涵
讲师：王渊命
您举报文章：
举报原因：
原文地址：
原因补充：
(最多只允许输入30个字)现在的位置:
人工智能、机器学习和深度学习之间的区别和联系
有人说，人工智能（AI）是未来，人工智能是科幻，人工智能也是我们日常生活中的一部分。这些评价可以说都是正确的，就看你指的是哪一种人工智能。
今年早些时候，Google DeepMind的AlphaGo打败了韩国的围棋大师李世乭九段。在媒体描述DeepMind胜利的时候，将人工智能（AI）、机器学习（machine learning）和深度学习（deep learning）都用上了。这三者在AlphaGo击败李世乭的过程中都起了作用，但它们说的并不是一回事。
今天我们就用最简单的方法——同心圆，可视化地展现出它们三者的关系和应用。
如上图，人工智能是最早出现的，也是最大、最外侧的同心圆；其次是机器学习，稍晚一点；最内侧，是深度学习，当今人工智能大爆炸的核心驱动。
五十年代，人工智能曾一度被极为看好。之后，人工智能的一些较小的子集发展了起来。先是机器学习，然后是深度学习。深度学习又是机器学习的子集。深度学习造成了前所未有的巨大的影响。
从概念的提出到走向繁荣
1956年，几个计算机科学家相聚在达特茅斯会议（Dartmouth Conferences），提出了“人工智能”的概念。其后，人工智能就一直萦绕于人们的脑海之中，并在科研实验室中慢慢孵化。之后的几十年，人工智能一直在两极反转，或被称作人类文明耀眼未来的预言；或者被当成技术疯子的狂想扔到垃圾堆里。坦白说，直到2012年之前，这两种声音还在同时存在。
过去几年，尤其是2015年以来，人工智能开始大爆发。很大一部分是由于GPU的广泛应用，使得并行计算变得更快、更便宜、更有效。当然，无限拓展的存储能力和骤然爆发的数据洪流（大数据）的组合拳，也使得图像数据、文本数据、交易数据、映射数据全面海量爆发。
让我们慢慢梳理一下计算机科学家们是如何将人工智能从最早的一点点苗头，发展到能够支撑那些每天被数亿用户使用的应用的。
|人工智能（Artificial Intelligence）——为机器赋予人的智能
早在1956年夏天那次会议，人工智能的先驱们就梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。这就是我们现在所说的“强人工智能”（General AI）。这个无所不能的机器，它有着我们所有的感知（甚至比人更多），我们所有的理性，可以像我们一样思考。
人们在电影里也总是看到这样的机器：友好的，像星球大战中的C-3PO；邪恶的，如终结者。强人工智能现在还只存在于电影和科幻小说中，原因不难理解，我们还没法实现它们，至少目前还不行。
我们目前能实现的，一般被称为“弱人工智能”（Narrow AI）。弱人工智能是能够与人一样，甚至比人更好地执行特定任务的技术。例如，Pinterest上的图像分类；或者Facebook的人脸识别。
这些是弱人工智能在实践中的例子。这些技术实现的是人类智能的一些具体的局部。但它们是如何实现的？这种智能是从何而来？这就带我们来到同心圆的里面一层，机器学习。
|机器学习—— 一种实现人工智能的方法
机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。
文章分页: 1
【上篇】【下篇】
据微软官方消息，微软公司Office 2007办公软件将于10月10日终止支持服务，这意味着Office 2007将正式迎来退休。
语音助手和智能音箱成为过去一年科技行业热点领域，苹果Siri一直处于技术劣势中，外界十分关注在2017年的最大升级中Siri智商是否有所提升。近日，新版本的Siri随着iOS 11对外揭开了面纱，据...
大约一周之前，吴恩达“finally”开始招聘。他发出的招聘贴中，还透露了几个重要信息：1、吴恩达正在搞一个新的公司，但细节现在还不能透露2、这家处于保密状态的公司，会用使用AI开发行业解决...
美国史蒂文斯理工学院（Stevens Institute of Technology）开发了一个所谓的生成式对抗网络，可以对你所使用的密码进行合理猜测，准确率达到四分之一。
负责晶圆厂营运的美光副总裁Buddy Nicoson在上周于台北举行的Semicon Taiwan年度国际半导体展发表专题演说时表示，晶圆厂管理者需要在因应流动电话的客户需求同时，于全球各地的多个制造据点...
您必须才能发表留言！人工智能，机器学习和深度学习有什么区别？
这三个名词之间有什么区别，为什么它们对物联网来说至关重要呢？
我们对于“人工智能”这个术语都很熟悉。毕竟，它是《终结者》,《黑客帝国》和《机械姬》（我个人最喜欢的电影）等电影中非常流行的关键词。但你最近或许也听说过其他术语，像“机器学习”和“深度学习”，有时这两个术语会和“人工智能”互相替换使用。
我会先快速解释一下人工智能（AI）、机器学习（ML）和深度学习（DL），以及它们有怎样的区别。然后，我会再分享一下人工智能和物联网之间有着怎样紧密的联系。事实上，这几种技术进一步的融合，为人工智能和物联网的爆发奠定了基础。
那么AI，ML和DL的区别究竟是什么呢？
1956年，约翰·麦卡锡成为了第一位创造了人工智能机器的人。他制造的机器具备足够高的能力，得以执行类似人类智力水平的任务，包括：做出规划、理解语言、识别对象和声音、学习并解决问题等。
对于人工智能，我们可以从广义和狭义两个层面来理解。广义层面来讲，AI应该具备人类智力的所有特征，包括上述的能力。狭义层面的人工智能则只具备部分人类智力某些方面的能力，并且能在这些领域内做的非常出众，但可能缺乏其他领域的能力。比如说，一个人工智能机器可能拥有强大的图像识别功能，但除此之外并无他用，这就是狭义层面AI的例子。
从核心上来说，机器学习是实现人工智能的一种途径。
1959年，Arthur
Samuel在AI之后创造了“机器学习”这个短语，并将其定义为“在没有被明确编程的情况下就能学习的能力。”当然，你可以不使用机器学习的方式来实现人工智能，不过这需要你运用复杂的规则和决策树，再敲下几百万行的代码才行。
实际上，机器学习是一种“训练”算法的方式，目的是使机器能够向算法传送大量的数据，并允许算法进行自我调整和改进，而不是利用具有特定指令的编码软件例程来完成指定的任务。
举个例子，机器学习已经被用于计算机视觉（机器具备识别图像或视频中的对象的能力）方面，并已经有了显著的进步。你可以收集数十万甚至数百万张图片，然后让人标记它们。例如，让人标记出其中含有猫的图片。对于算法，它也能够尝试建立一个模型，可以像人一样准确地标记出含有猫的图片。一旦精度水平足够高，机器就相当于“掌握”了猫的样子。
深度学习是机器学习的众多方法之一。其他方法包括决策树学习、归纳逻辑编程、聚类、强化学习和贝叶斯网络等。
深度学习的灵感来自大脑的结构和功能，即许多神经元的互连。人工神经网络（ANN）是模拟大脑生物结构的算法。
在ANN中，存在具有离散层和与其他“神经元”连接的“神经元”。每个图层挑选出一个要学习的特征，如图像识别中的曲线/边缘。
正是这种分层赋予了“深度学习”这样的名字，深度就是通过使用多层创建的，而不是单层。
人工智能和物联网密不可分
我认为人工智能和物联网之间的关系类似于人类的大脑和身体之间的关系。
我们的身体收集感官输入，如视觉、声音和触摸。我们的大脑接收、处理这些数据并寻求它们的意义，比如：把光变成可识别的对象、把声音变成可以理解的语言。然后大脑会做出决定、向身体发送信号，命令身体执行一些运动，例如捡起物品或对他人说话。
构成物联网的所有传感器都像我们的身体，它们提供了来自世界各处的原始数据。人工智能就像我们的大脑，需要能够了解这些数据并决定要执行的操作。同时，物联网的连接设备又像是我们的身体，能够进行物理动作或与他人进行交流，以释放彼此的潜力。
AI和IoT的价值逐步实现，前景逐渐明朗
近年来，机器学习和深度学习使人工智能有了突飞猛进的发展。正如上面提到的，机器学习和深度学习需要大量的数据，这些数据是由物联网中持续在线的数十亿的传感器进行收集的。可以说，物联网促进了人工智能的发展。
对人工智能进行的改进也将推动物联网的改变，创造一个良性循环，使得这两个领域的发展都大大加速。因为，人工智能会使物联网变得更有价值。
在工业方面，人工智能可以用于预测机器维护的时机或分析机器制造的过程，从而大幅提高效率，节省数百万美元。
在消费者方面，技术也可以适应我们，而不是我们必须适应技术。我们可以向机器进行简单的提问，而不用通过点击、输入、搜索来获取一些信息。我们可以直接像机器提出要求，例如：获取诸如天气等一些信息，或进行睡前准备的基本设定（比如关闭恒温器、锁门、关灯等）。
融合技术的进步使这些成为可能
压缩的计算机芯片和改良的制造技术意味着会产生更廉价、性能更强大的传感器。
电池技术的迅速发展意味着传感器可以持续多年，而不需要连接电源。
无线连接技术也随着智能手机的出现而蓬勃发展，这意味着我们可以以低廉的价格发送数据，并允许所有传感器将数据发送到云端。
而云技术的诞生几乎可以允许数据进行无限的存储并以无限的计算能力来处理数据。
当然，人工智能对我们的社会和未来的影响，也有一些令人担忧的问题。但随着人工智能和物联网的进步和发展，有一件事是肯定的：这些技术对我们影响必然是深远而重大的。
参考文章：
https://iot-/artificial-intelligence-machine-learning-and-deep-learning-169a4a136f62#.82wrgia1m
关注我就是关注数据
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。