人工智能
研究讓計算機具備模擬、延伸和擴展人的智能的一門技術科學。主要是來源於大量的數據來使機器學習能比人更快的計算出結果,這可能就是我眼中的大數據.
或許大數據分析出結果,再往上一個級別的建模就叫做人工智能吧!鄙人理解尚淺,還請多多指教,自學總結筆記不易.
機器學習
是利用算法或邏輯，在大量的數據上進行運算（從數據中學習如何完成任務即學習訓練的過程），產生模型，通過模型對真實事件做出決策和預測。
1.機器學習從方法上來分，機器學習算法可以分為監督學習（如分類問題）、無監督學習（如聚類問題）、半監督學習。
2.傳統的算法包括k-鄰近算法、決策樹、貝葉斯分類、聚類、支持向量機等。
深度學習
是利用包含多個隱含層的神經網絡結構的人工神經網絡（深度神經網絡），通過優化神經元的連接方法和激活函數等方面，來提高訓練效果，產生模型后，通過模型對真實事件作出決策和預測。
機器學習與深度學習的關系
機器學習是一種實現人工智能的方法。深度學習是一種實現機器學習的技術（新算法）。
機器學習與深度學習的對比
1、應用場景：應用場景
機器學習在指紋識別、特征物體，檢測等領域的應用基本達到了商業化的要求。
深度學習主要應用於文字識別、人臉技術、語義分析、智能監控等領域。目前在智能硬件、教育、醫療等行業也在快速布局。
2、數據依賴性
機器學習能夠適應各種數據量，特別是數據量較小的場景。在這種情況下，傳統的機器學習算法使用制定的規則，性能會比較好。
深度學習的精准度，需要大量的數據來訓練，當數據量很少時，深度學習算法的性能並不好。
3、硬件依賴
深度學習算法需要進行大量的矩陣運算，GPU主要用來高效優化矩陣運算，所以GPU是深度學習正常工作的必須硬件。
機器學習對硬件配置要求相對，深度學習沒有那么高！
4、訓練算法時間
深度學習算法，因為包含有很多參數，需要大量時間進行訓練，完整地訓練一次可能需要消耗兩周的時間或更長時間！
機器學習的訓練會消耗的時間相對較少，只需要幾秒鍾到幾小時的時間。
5、預測時間
深度學習算法的預測時間，相比機器學習，只需要很少的時間去運行。
6、解決問題的方法
機器學習算法遵循標准程序解決問題。它將問題拆分成數個部分，對其進行分別解決，而后再將結果結合起來以獲得所需的答案。
深度學習則以集中方式解決問題，而不必進行問題拆分，提倡直接的端到端的解決問題。
7、可解釋性
深度學習可以達到接近人的標准，但是這仍然有個問題。在數學的角度上，你可以找出來哪一個深度神經網絡節點被激活了。但是我們不知道神經元應該是什么模型，我們也不知道這些神經單元層要共同做什么。所以無法解釋結果是如何產生的。
機器學習算法給出了明確的規則，所以解釋背后的推理是很容易的。
8、特征處理
機器學習算法的性能依賴於所提取的特征的准確度，而特征數據的處理，需要更專業的知識，且很耗時。
深度學習嘗試從數據中直接獲取高等級的特征，深度學習削減了對每一個問題設計特征提取器的工作。
機器學習和深度學習應用領域
1、計算機視覺 用於車牌識別和面部識別等的應用。
2、信息檢索 用於諸如搜索引擎的應用 - 包括文本搜索和圖像搜索。
3、市場營銷 針對自動電子郵件營銷和目標群體識別等的應用。
4、醫療診斷 諸如癌症識別和異常檢測等的應用。
5、自然語言處理，如情緒分析和照片標記等的應用。
6、無人駕駛。
總結
機器學習算法在指紋識別、人臉檢測等領域的應用基本達到了商業化的要求或者特定場景的商業化水平，但每前進一步都異常艱難，直到深度學習算法的出現，人工智能才開始大爆發，繼續拓展人工智能的領域，如：無人駕駛、預防性醫療保健等！深度學習很早就出現過，但由於當時訓練數據量不足、計算能力落后，因此最終的效果不盡如人意。深度學習模型需要大量的訓練數據，才能展現出神奇的效果！