1樓：長春北方化工灌裝裝置股份****
為了搞清三者關係，我們來看一張圖：
從低潮到繁榮
自從 1956 年計算機科學家們在達特茅斯會議（dartmouth conferences）上確認人工智慧這個術語以來，人們就不乏關於人工智慧奇思妙想，研究人員也在不遺餘力地研究。在此後的幾十年間，人工智慧先是被捧為人類文明光明未來的鑰匙，後又被當作過於自大的異想天開而拋棄。
但是在過去幾年中，人工智慧出現了**式的發展，尤其是 2015 年之後。大部分原因，要歸功於圖形處理器（gpu）的廣泛應用，使得並行處理更快、更便宜、更強大。另外，人工智慧的發展還得益於幾乎無限的儲存空間和海量資料的出現（大資料運動）：
影象、文字、交易資料、地圖資料，應有盡有。
下面我們從發展的歷程中來一一對人工智慧、機器學習和深度學習的深度學習。
人工智慧人工智慧先驅們在達特茅斯開會時，心中的夢想是希望通過當時新興的計算機，打造擁有相當於人類智慧型的複雜機器。這就是我們所說的「通用人工智慧」（general ai）概念，擁有人類五感（甚至更多）、推理能力以及人類思維方式的神奇機器。在電影中我們已經看過無數這樣的機械人，對人類友好的 c-3po，以及人類的敵人終結者。
通用人工智慧機器至今只存在 於電影和科幻**裡，理由很簡單：我們還實現不了，至少目前為止。
我們力所能及的，算是「弱人工智慧」（narrow ai）：執行特定任務的水平與人類相當，甚至超越人類的技術。現實中有很多弱人工智慧的例子。
這些技術有人類智慧型的一面。但是它們是如何做到的？智慧型來自**？
這就涉及到下乙個同心圓：機器學習。
機器學習
機器學習是實現人工智慧的一種方法。機器學習的概念來自早期的人工智慧研究者，已經研究出的演算法包括決策樹學習、歸納邏輯程式設計、增強學習和貝葉斯網路等。簡單來說，機器學習就是使用演算法分析資料，從中學習並做出推斷或**。
與傳統的使用特定指令集手寫軟體不同，我們使用大量資料和演算法來「訓練」機器，由此帶來機器學習如何完成任務。
許多年來，計算機視覺一直是機器學習最佳的領用領域之一，儘管還需要大量的手動編碼才能完成任務。研究者會手動編寫一些分類器（classifier），如邊緣檢測篩選器，幫助程式辨別物體的邊界；圖形檢測分類器，判斷物體是否有八個面；以及識別「s-t-o-p」的分類器。在這些手動編寫的分類器的基礎上，他們再開發用於理解影象的演算法，並學習如何判斷是否有停止標誌。
但是由於計算機視覺和影象檢測技術的滯後，經常容易出錯。
深度學習
深度學習是實現機器學習的一種技術。早期機器學習研究者中還開發了一種叫人工神經網路的演算法，但是發明之後數十年都默默無聞。神經網路是受人類大腦的啟發而來的：
神經元之間的相互連線關係。但是，人類大腦中的神經元可以與特定範圍內的任意神經元連線，而人工神經網路中資料傳播要經歷不同的層，傳播方向也不同。
舉個例子，你可以將一張**切分為小塊，然後輸入到神經網路的第一層中。在第一層中做初步計算，然後神經元將資料傳至第二層。由第二層神經元執行任務，依次類推，直到最後一層，然後輸出最終的結果。
每個神經元都會給其輸入指定乙個權重：相對於執行的任務該神經元的正確和錯誤程度。最終的輸出由這些權重共同決定。
因此，我們再來看看上面提到的停止標誌示例。一張停止標誌影象的屬性，被一一細分，然後被神經元「檢查」：形狀、顏色、字元、標誌大小和是否運動。
神經網路的任務是判斷這是否是乙個停止標誌。它將給出乙個「概率向量」（probability vector），這其實是基於權重做出的猜測結果。在本文的示例中，系統可能會有 86% 的把握認定影象是乙個停止標誌，7% 的把握認為是乙個限速標誌，等等。
網路架構然後會告知神經網路其判斷是否正確。
不過，問題在於即使是最基礎的神經網路也要耗費巨大的計算資源，因此當時不算是乙個可行的方法。不過，以多倫多大學 geoffrey hinton 教授為首的一小批狂熱研究者們堅持採用這種方法，最終讓超級計算機能夠並行執行該演算法，並證明該演算法的作用。如果我們回到停止標誌那個例子，很有可能神經網路受訓練的影響，會經常給出錯誤的答案。
這說明還需要不斷的訓練。它需要成千上萬張**，甚至數百萬張**來訓練，直到神經元輸入的權重調整到非常精確，幾乎每次都能夠給出正確答案。不過值得慶幸的是facebook 利用神經網路記住了你母親的面孔；吳恩達 2012 年在谷歌實現了可以識別貓的神經網路。
如今，在某些情況下，通過深度學習訓練過的機器在影象識別上表現優於人類，這包括找貓、識別血液中的癌症跡象等。谷歌的 alphago 學會了圍棋，並為比賽進行了大量的訓練：不斷的和自己比賽。
總結人工智慧的根本在於智慧型，而機器學習則是部署支援人工智慧的計算方法。簡單的將，人工智慧是科學，機器學習是讓機器變得更加智慧型的演算法，機器學習在某種程度上成就了人工智慧。
2樓：西線大資料培訓
我們周圍的事物正變得越來越智慧型。從汽車到智慧型手機，到數字助理，甚至包括機械人。我們不只是在講每天層出不窮的、突破性的新功能。
更重要的是，裝置、計算機和機器都在聰明地執行任務。它們是如何做到的呢通過人工智慧，也就是ai。
「人工智慧」一詞最早由認知科學家約翰·麥卡錫在研究中提出，他寫到，「這項研究基於一種推測，即任何學習行為或其它智力特徵，在原則上都可以被精確地描述，從而可以製造出一台機器來模擬它。」這種描述在今天仍然適用，只是複雜性增加了一些。
你也許最近經常聽到「人工智慧」和另外幾個詞彙同時出現，特別是「機器學習」和「深度學習」。它們經常被互換使用，儘管它們存在關聯，但其實並非同一事物。
這樣說可能會讓人感到困惑。我們通過乙個經典的例子來解釋人工智慧、機器學習和深度學習之間的區別：比較蘋果和橙子。
人工智慧
從廣義上講，人工智慧描述一種機器與周圍世界互動的各種方式。通過先進的、像人類一樣的智慧型——軟體和硬體結合的結果——一台人工智慧機器或裝置就可以模仿人類的行為或像人一樣執行任務。
我們今天讀到了很多關於人工智慧的內容，比如語音識別(用於智慧型個人助理裝置)，面部識別(被用在目前社交**上很流行的濾鏡中)，或者物體識別(比如搜尋蘋果和橙子的**)。然而這些功能是如何實現的？
從根源上看，配備人工智慧的機器會模仿人類的思維過程，比如分辨蘋果和橙子的能力。
機器學習
機器學習是人工智慧的一種途徑或子集，它強調「學習」而不是電腦程式。一台機器使用複雜的演算法來分析大量的資料，識別資料中的模式，並做出乙個**——不需要人在機器的軟體中編寫特定的指令。在錯誤地將忌廉泡芙當成橙子之後，系統的模式識別會隨著時間的推移而不斷改進，因為它會像人一樣從錯誤中吸取教訓並糾正自己。
通過機器學習，乙個系統可以從自身的錯誤中學習來提高它的模式識別能力。
深度學習
深度學習是機器學習的乙個子集，推動計算機智慧型取得長足進步。它用大量的資料和計算能力來模擬深度神經網路。從本質上說，這些網路模仿人類大腦的連通性，對資料集進行分類，並發現它們之間的相關性。
如果有新學習的知識(無需人工干預)，機器就可以將其見解應用於其他資料集。機器處理的資料越多，它的**就越準確。
例如，一台深度學習的裝置可以檢查大資料——比如通過水果的顏色、形狀、大小、成熟時間和產地——來準確判斷乙個蘋果是不是青蘋果，乙個橙子是不是血橙。
通過深度學習，機器可以處理大量資料，識別複雜的模式，並提出深入的見解。
人工智慧、機器學習和深度學習之間的差異並不像蘋果和橙子那麼明顯，它們更微妙。qualcomm已將人工智慧技術整合進驍龍移動平台，創造出令人折服的、直觀的體驗，讓裝置可以更深入地了解你。
3樓：長沙新華電腦學院
這三者本質就是人工智慧咯，可以來這邊看看的
人工智慧，機器學習和深度學習的區別是什麼
4樓：長春北方化工灌裝裝置股份****
為了搞清三者關係，我們來看一張圖：
從低潮到繁榮
自從 1956 年計算機科學家們在達特茅斯會議（dartmouth conferences）上確認人工智慧這個術語以來，人們就不乏關於人工智慧奇思妙想，研究人員也在不遺餘力地研究。在此後的幾十年間，人工智慧先是被捧為人類文明光明未來的鑰匙，後又被當作過於自大的異想天開而拋棄。
但是在過去幾年中，人工智慧出現了**式的發展，尤其是 2015 年之後。大部分原因，要歸功於圖形處理器（gpu）的廣泛應用，使得並行處理更快、更便宜、更強大。另外，人工智慧的發展還得益於幾乎無限的儲存空間和海量資料的出現（大資料運動）：
影象、文字、交易資料、地圖資料，應有盡有。
下面我們從發展的歷程中來一一對人工智慧、機器學習和深度學習的深度學習。
人工智慧人工智慧先驅們在達特茅斯開會時，心中的夢想是希望通過當時新興的計算機，打造擁有相當於人類智慧型的複雜機器。這就是我們所說的「通用人工智慧」（general ai）概念，擁有人類五感（甚至更多）、推理能力以及人類思維方式的神奇機器。在電影中我們已經看過無數這樣的機械人，對人類友好的 c-3po，以及人類的敵人終結者。
通用人工智慧機器至今只存在 於電影和科幻**裡，理由很簡單：我們還實現不了，至少目前為止。
我們力所能及的，算是「弱人工智慧」（narrow ai）：執行特定任務的水平與人類相當，甚至超越人類的技術。現實中有很多弱人工智慧的例子。
這些技術有人類智慧型的一面。但是它們是如何做到的？智慧型來自**？
這就涉及到下乙個同心圓：機器學習。
機器學習
機器學習是實現人工智慧的一種方法。機器學習的概念來自早期的人工智慧研究者，已經研究出的演算法包括決策樹學習、歸納邏輯程式設計、增強學習和貝葉斯網路等。簡單來說，機器學習就是使用演算法分析資料，從中學習並做出推斷或**。
與傳統的使用特定指令集手寫軟體不同，我們使用大量資料和演算法來「訓練」機器，由此帶來機器學習如何完成任務。
許多年來，計算機視覺一直是機器學習最佳的領用領域之一，儘管還需要大量的手動編碼才能完成任務。研究者會手動編寫一些分類器（classifier），如邊緣檢測篩選器，幫助程式辨別物體的邊界；圖形檢測分類器，判斷物體是否有八個面；以及識別「s-t-o-p」的分類器。在這些手動編寫的分類器的基礎上，他們再開發用於理解影象的演算法，並學習如何判斷是否有停止標誌。
但是由於計算機視覺和影象檢測技術的滯後，經常容易出錯。
深度學習
深度學習是實現機器學習的一種技術。早期機器學習研究者中還開發了一種叫人工神經網路的演算法，但是發明之後數十年都默默無聞。神經網路是受人類大腦的啟發而來的：
神經元之間的相互連線關係。但是，人類大腦中的神經元可以與特定範圍內的任意神經元連線，而人工神經網路中資料傳播要經歷不同的層，傳播方向也不同。
舉個例子，你可以將一張**切分為小塊，然後輸入到神經網路的第一層中。在第一層中做初步計算，然後神經元將資料傳至第二層。由第二層神經元執行任務，依次類推，直到最後一層，然後輸出最終的結果。
每個神經元都會給其輸入指定乙個權重：相對於執行的任務該神經元的正確和錯誤程度。最終的輸出由這些權重共同決定。
因此，我們再來看看上面提到的停止標誌示例。一張停止標誌影象的屬性，被一一細分，然後被神經元「檢查」：形狀、顏色、字元、標誌大小和是否運動。
神經網路的任務是判斷這是否是乙個停止標誌。它將給出乙個「概率向量」（probability vector），這其實是基於權重做出的猜測結果。在本文的示例中，系統可能會有 86% 的把握認定影象是乙個停止標誌，7% 的把握認為是乙個限速標誌，等等。
網路架構然後會告知神經網路其判斷是否正確。
不過，問題在於即使是最基礎的神經網路也要耗費巨大的計算資源，因此當時不算是乙個可行的方法。不過，以多倫多大學 geoffrey hinton 教授為首的一小批狂熱研究者們堅持採用這種方法，最終讓超級計算機能夠並行執行該演算法，並證明該演算法的作用。如果我們回到停止標誌那個例子，很有可能神經網路受訓練的影響，會經常給出錯誤的答案。
這說明還需要不斷的訓練。它需要成千上萬張**，甚至數百萬張**來訓練，直到神經元輸入的權重調整到非常精確，幾乎每次都能夠給出正確答案。不過值得慶幸的是facebook 利用神經網路記住了你母親的面孔；吳恩達 2012 年在谷歌實現了可以識別貓的神經網路。
如今，在某些情況下，通過深度學習訓練過的機器在影象識別上表現優於人類，這包括找貓、識別血液中的癌症跡象等。谷歌的 alphago 學會了圍棋，並為比賽進行了大量的訓練：不斷的和自己比賽。
總結人工智慧的根本在於智慧型，而機器學習則是部署支援人工智慧的計算方法。簡單的將，人工智慧是科學，機器學習是讓機器變得更加智慧型的演算法，機器學習在某種程度上成就了人工智慧。
人工智慧和深度學習是什麼關係呀，深度學習和人工智慧之間是什麼樣的關係
我心有猛虎 深度學習與ai 機器學習之間2113的學習可以從學習領域以及學習內容範圍進行區分，簡單的理解就是 ai 學習是乙個大概念大方向，其次是機器學習，5261最後才是深度學習。機器學習是人工智慧的核心，是使計算機具有智慧型的根本途徑。具體的區別如下 人工智慧 artificial intell...
人工智慧主要學習什麼程式設計，人工智慧需要學習哪些程式語言
象拔蚌燒賣 人工智慧主要學習python相關的程式設計。python是一種解釋型指令碼語言，可以應用於人工智慧 科學計算和統計 後端開發 網路爬蟲等領域。python語法簡單，功能多樣，是開發人員最喜愛的ai開發程式語言之一。ython非常便攜，可以在linux，windows等多平臺上使用。另外，...
人工智慧學習難嗎？人工智慧學習起來會不會很難？
學習人工智慧如果零基礎學習會有一定困難，選擇乙個好的學習機構很重要，好的學習機構有專業的授課老師，可以讓學員學習到專業的知識點。想要學習人工智慧推薦選擇 達內教育 人工智慧專業是一門匯集了數學 電腦科學 邏輯學 哲學 神經科學 語言學等學科的典型交叉學科，又被稱為 ai專業 目前，公認的人工智慧核心...