人工智能、机器学习、深度学习三者之间的关系？（人工智能是对人类思维和意识的模拟，具有像人类一样思考的能力。它包括机器视觉、专家系统、智能搜索、语言和图像理解等应用。机器学习是人工智能的一个分支，通过设计和分析算法使计算机实现自动学习和预测。深度学习是机器学习的新领域，模拟人脑的神经网络来解释数据。深度学习的核心思路是通过无监督学习逐层训练网络，然后用监督算法进行调整。深度学习可以提取更抽象的特征表示，并且具有稀疏性和层次性。通过深度学习，机器可以逐层获得更高级别的抽象特征，类似于人类的认知过程。）

人工智能是对人类思维和意识的模拟，具有像人类一样思考的能力。它包括机器视觉、专家系统、智能搜索、语言和图像理解等应用。机器学习是人工智能的一个分支，通过设计和分析算法使计算机实现自动学习和预测。深度学习是机器学习的新领域，模拟人脑的神经网络来解释数据。深度学习的核心思路是通过无监督学习逐层训练网络，然后用监督算法进行调整。深度学习可以提取更抽象的特征表示，并且具有稀疏性和层次性。通过深度学习，机器可以逐层获得更高级别的抽象特征，类似于人类的认知过程。

人工智能：

人工智能（ArtificialIntelligence），英文缩写为AI。是计算机科学的一个分支。人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具。

人工智能实际应用：机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。人工智能目前也分为：强人工智能(BOTTOM-UPAI)和弱人工智能(TOP-DOWNAI)，有兴趣大家可以自行查看下区别。

机器学习：

机器学习(MachineLearning,ML)，是人工智能的核心，属于人工智能的一个分支。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。所以机器学习的核心就是数据，算法（模型），算力（计算机运算能力）。机器学习应用领域十分广泛，例如：数据挖掘、数据分类、计算机视觉、自然语言处理(NLP)、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用等。

机器学习就是设计一个算法模型来处理数据，输出我们想要的结果，我们可以针对算法模型进行不断的调优，形成更准确的数据处理能力。但这种学习不会让机器产生意识。

深度学习：

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。

同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同．例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。

深度不足会出现问题

在许多情形中深度2就足够表示任何一个带有给定目标精度的函数。但是其代价是：图中所需要的节点数(比如计算和参数数量)可能变的非常大。理论结果证实那些事实上所需要的节点数随着输入的大小指数增长的函数族是存在的。

我们可以将深度架构看做一种因子分解。大部分随机选择的函数不能被有效地表示，无论是用深的或者浅的架构。但是许多能够有效地被深度架构表示的却不能被用浅的架构高效表示。一个紧的和深度的表示的存在意味着在潜在的可被表示的函数中存在某种结构。如果不存在任何结构，那将不可能很好地泛化。

大脑有一个深度架构

例如，视觉皮质得到了很好的研究，并显示出一系列的区域，在每一个这种区域中包含一个输入的表示和从一个到另一个的信号流(这里忽略了在一些层次并行路径上的关联，因此更复杂)。这个特征层次的每一层表示在一个不同的抽象层上的输入，并在层次的更上层有着更多的抽象特征，他们根据低层特征定义。

需要注意的是大脑中的表示是在中间紧密分布并且纯局部：他们是稀疏的：1%的神经元是同时活动的。给定大量的神经元，仍然有一个非常高效地(指数级高效)表示。

认知过程逐层进行，逐步抽象

人类层次化地组织思想和概念；

人类首先学习简单的概念，然后用他们去表示更抽象的；

工程师将任务分解成多个抽象层次去处理；

学习/发现这些概念(知识工程由于没有反省而失败？)是很美好的。对语言可表达的概念的反省也建议我们一个稀疏的表示：仅所有可能单词/概念中的一个小的部分是可被应用到一个特别的输入(一个视觉场景)。

核心思想

把学习结构看作一个网络，则深度学习的核心思路如下：

①无监督学习用于每一层网络的pre-train；

②每次用无监督学习只训练一层，将其训练结果作为其高一层的输入；

③用自顶而下的监督算法去调整所有层

人工智能及其关键技术：定义、范畴和发展趋势

人工智能还没有明确的定义。美国斯坦福大学人工智能研究中心的尼尔逊教授对人工智能的定义是：“人工智能是关于知识的学科，是一个怎样表示知识，怎样获得知识和使用知识的科学。”美国麻省理工学院的温斯顿教授认为：“人工智能是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法反映了人工智能学科的基本思想和基本内容。即，人工智能是研究人类智能活动规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机模拟人类某些智能行为的基本理论、方法和技术。

从概念上说，人工智能可分为强人工智能和弱人工智能。强人工智能侧重于思维能力，机器不仅是一种工具，而且拥有知觉和自我意识，能真正的推理和解决问题。弱人工智能指机器具备表象性的智能特征，包括像人一样思考、像人一样感知环境以及像人一样行动。赛迪顾问认为，人工智能应具备“3C特性”：理解力、沟通力、协同力。即通过模拟人类思维模式实现对外界信息理解；通过语音、视觉等实现与外界沟通；通过行动控制实现人机协同工作。

人工智能涉及计算机科学、心理学、哲学和语言学等多个学科，可以说几乎涉及自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴。人工智能与思维科学的关系是实践和理论的关系，人工智能位于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，还要考虑形象思维、灵感思维才能促进人工智能的突破性的发展。

机器学习是人工智能的一个子集。机器学习是一个多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等。它研究计算机怎样模拟或实现人类的学习行为，获取新的知识或技能，重新组织已有的知识结构，不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。

机器学习算法中最关键的是深度学习。深度学习源于人工神经网络，包括多个隐含层的多层感知器就是一种深度学习结构。

据生物学结论，人脑神经细胞数量大约在10的11次方。这些神经细胞之间通过突触（轴突和树突）相连。通俗的讲，神经细胞把所有突触传进来的信号相加，如果信号的加和超过或低于某个阀值，其细胞状态就会变为兴奋或抑制。整个大脑的神经细胞状态各异，从而表现出不同的大脑行为。

深度学习最好的表现是深度神经网络（DNN）。深度神经网络只是一个超过两层或三层的神经网络。然而，深度神经网络并不是深度学习算法的唯一类型，但它是最流行的类型。另一个深度学习算法是深度信任网络（DBN），与传统的判别模型的神经网络相对，深度信念网络是一个概率生成模型，多个限制玻尔兹曼机(Restricted Botlzmann Machine，RBM)组成多隐含层神经网络，建立了一个观察数据和标签之间的联合分布。通过RBM逐层堆叠，DBN可从原始数据中逐层提取特征，从而获得一些高层次表达，其核心是用逐层贪婪学习算法优化深度神经网络的连接权重。

深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征。