人工智能、机器学习与深度学习的关系 以及人工智能对图像处理的影响
一、人工智能、机器学习与深度学习的多种宽泛定义在探讨深度学习、机器学习与人工智能的关系之前，先通过一些参考文献对这三个名词尝试进行较为宽泛的定义。
人工智能(ArtificialIntelligence,简称AI)：
人工智能是计算机科学的一个分支,致力于智能行为的自动化。[1]
人工智能是关于知识的学科——怎样表示知识以及怎样获得知识并使用知识的学科[2]。
人工智能就是研究如何使计算机去做过去只有人才能做的智能的工作[3]。
除此之外,还有很多关于人工智能的定义,至今尚未统一。在我看来，是由于人工智能宽广的应用面和多样的实现方法使不同角度的定义成为可能。综合来看，目前的人工智能应该可以被概括为通过构造具有一定智能行为或者模仿部分大脑思维模式的人工系统，来解决在一个问题领域出现的复杂问题。
而人工智能的发展方向是通过对生物行为或大脑的研究和模仿,以期达到对意识、情感、理智三位一体的人工智能建模,简单来说就是通过无监督学习、人工生命、神经网络等技术让机器具有人类的感知、思维和情感。[4]
机器学习(MachineLearning,简称ML)：
计算机利用经验改善系统自身性能的行为(MachineLearningisthestudyofcomputeralgorithmsthatimproveautomaticallythroughexperience.)[5]
在传统意义下,机器学习可以描述为:令W是一个问题空间,(x,y)∈W,称为样本或对象,其中,x是一个n维矢量,y是一个类别域中的一个值。由于我们观察能力的限制,我们只能获得W的一个真子集,记为Q⊂W,称为样本集合(对象集合).由此,根据Q建立一个模型M,并期望这个模型对W中的所有样本预测的正确率大于一个给定的常数θ。[6]
机器学习主要研究如何使用计算机模拟和实现人类获取知识(学习)过程,创新、重构已有的知识,从而提升自身处理问题的能力。机器学习的最终目的是从数据中获取知识。[7]
机械学习的定义虽然也较为宏大，但是容易发现在例定义中的“经验”、“预测”、“模拟和实现人类获取知识”等词是属于人工智能的范畴，或者是实现人工智能的一种常用方式。这与之后分辨它们的关系有关。
个人在CSDN博客上的调查发现，在目前的一些实际操作中，机器学习常常按照这个过程来进行：先给予一批数据样本，然后通过算法来学习这批数据，然后利用学习的结果来实现预测或推断之后系统的行为或者决策的方向。
深度学习(DeepLearning，简称DL)：
深度学习通过建立类似于人脑的分层模型结构，对输入数据逐级提取从底层到高层的特征，从而能很好地建立从底层信号到高层语义的映射关系。[8]
深度学习是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术。[9]
深度学习可通过学习一种深层非线性网络结构,实现复杂函数逼近,表征输入数据分布式表示,并体现了它对于输入样本数据的强大的本质特征的抽取能力。[10]
相比于人工智能和机器学习，深度学习的定义就相对明晰具体了许多。同时深度学习的范围也进一步缩小，成为众多的机器学习的算法中的一种，而且据称已经成为目前基于神经网络算法的最重要的一种[8]。
而深度学习的发展是在所谓的浅层学习不能满足研究、发展的需要的基础上建立起来的。浅层学习，如多数分类、回归等学习方法，其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。[12]
二、人工智能、机器学习与深度学习的关系按照我目前查找到的部分资料，国内的人工智能的学术界或者应用界对深度学习、机器学习与人工智能的关系主要分为以下两种[13]：
第一种如图表1，深度学习是机器学习的子集，而机器学习是人工智能的子集，例如参考文献[8]和[14]。第二种如图表二，仍然认为深度学习是机器学习的子集，但是机器学习并不天生就是人工智能的一部分，而是独立于人工智能以外的一种可以协助完成人工之智能目标的方式，因为机器学习还可以应用在除了人工智能以外的领域，例如参考文献[12]。
就我而言，我更赞同第一种看法，即机器学习是人工智能的子集。因为后来发展起来的真正有着各个领域有着突破性影响的机器学习，也就是如今常用语境情况下的机器学习基本上都只应用于人工智能领域。
三、人工智能对图像处理的影响基于人工智能深入研究并分析图像识别技术有着明显的现实意义。在计算机技术与信息技术发展背景下，图像识别技术备受关注。在计算机技术和信息技术发展的背景下，图像识别技术引起了人们的广泛关注。图像识别技术的形成和更新已成为图像识别技术的主要发展趋势，具有广阔的应用前景。[13]
无论是医疗、金融还是信息采集、产品安全，图像识别技术都得到了应用。其存在价值是让计算机代替人工处理大量的图片等富媒体信息。在计算机技术不断完善的前提下，我们更加深刻地认识到图像识别技术的价值。
仍然据参考文献[13],融合了人工智能的图像识别技术优势显著最突出的优势就是科技发展中对图像识别技术的应用质量。站在智能化角度分析，较之于传统图像处理技术，人工智能图像识别技术的区别明显。特别是人脸解锁的功能，和图像处理智能识别存在异曲同工之妙。也就是在完成一次人脸解锁以后，就能够以此方法为主要解锁手段。除此之外，智能化还能够自我分析和保存。在此基础上，根据图形识别便捷化分析，伴随图像识别技术的合理运用，使人们生活和工作获得了高质量的服务。基于社会快速发展，图像识别技术大众化特征逐渐突显出来。[14]
总而言之，我认为人工智能对于图像处理的影响是量变引起质变的一个过程，故没有大量的图像数据就无法支撑起人工智能手段的分析，而一旦这个量上的条件满足，人工智能可以在不断地学习中挖掘出传统手段无法发现的信息，或是完成传统手段难以大批量完成的任务。
参考资料[1]LUGERGF.人工智能:复杂问题求解的结构和策略[M].6版.北京:机械工业出版社,2009.
[2]贾同兴.人工智能与情报检索[M].北京:北京图书馆出版社,1997.15-103.
[3]胡勤.人工智能概述[J].电脑知识与技术,2010,(13):3507-3509.
[4]贺倩.人工智能技术的发展与应用[J].电力信息与通信技术,2017,15(09):32-37.
[5]TomMitchell.MachineLearning.McGrawHillHigherEducation,1997
[6]王珏,石纯一.机器学习研究[J].广西师范大学学报(自然科学版),2003(02):1-15.
[7]陈康,向勇,喻超.大数据时代机器学习的新趋势[J].电信科学,2012,28(12):88-95.
[8]余凯,贾磊,陈雨强,徐伟.深度学习的昨天、今天和明天[J].计算机研究与发展,2013,50(09):1799-1804.
[9]华为云技术宅基地（已认证的官方账号）.什么是深度学习–知乎[EB/OL].https://www.zhihu.com/question/24097648.
[10]林妙真.基于深度学习的人脸识别研究[D].大连理工大学,2013.
[12]孙志军,薛磊,许阳明,王正.深度学习研究综述[J].计算机应用研究,2012,29(08):2806-2810.
[13]图表1和图表2的图片来自：https://blog.csdn.net/hebi123s/article/details/82770253
[13]郦涛.基于人工智能的图像识别技术的研究[J].通讯世界,2019,26(08):69-70.
[14]伊新铜,杨建兴.基于深度学习的图像处理[J].计算机产品与流通,2019(07):240.
《人工智能》思维导图式课程总结
本学期选修了《人工智能》课程，在期末复习阶段用思维导图整理了所学的内容，主要内容包含确定性系统、智能搜索技术、机器学习、人工神经网络等方面内容（主要是考试范围是这些并且复习时间有限没有全部弄完^_^，后续会继续修改增加），内容主要是针对人工智能领域的基础知识的学习，一些相关的算法，Ex:A*算法、ID3算法、遗传算法、BP神经网络等等。注：有兴趣的朋友可以点赞+收藏![后私信我要原文档
因为内容还是挺多的，比如下面所示（只开了一部分…）总结构图：正向推理算法A*算法与或数启发式搜索遗传算法ID3算法内容可能不是很齐全（因为考试复习周时间不太充裕TT）并且以后会补充所以就不放到CSDN下载里花积分下载了，需要的话点赞+收藏后私信我要原文档
人工智能的发展史
前言本文隶属于专栏《人工智能》，该专栏为笔者原创，引用请注明来源，不足和错误之处请在评论区帮忙指出，谢谢！
本专栏目录结构和参考文献请见人工智能
人工智能的发展史孕育期（1956年以前）数理逻辑-符号主义学派在数理逻辑初创期，亚里斯多德（公元前384一322，古希腊伟大的哲学家和科学家），创立演绎法，提出了演绎推理的一般原则-三段论在逻辑代数时期，莱布尼茨（1646一1716，德国数学家和哲学家）把形式逻辑符号化，奠定了数理逻辑的基础。人工神经网络-连接主义学派1890年美国生物学家詹姆士首次阐明人脑的结构及功能，及记忆、学习、联想相关功能的规律。1943年美国神经生理学家麦克洛奇和皮兹建成第一个神经网络模型（MP模型）。1949年加拿大心理学家赫布提出了改变神经网络连接强度的Hebb规则。行为主义学派维纳(1874一1956)：美国著名数学家、控制论创始人。1948年创立了控制论。控制论对人工智能的影响，形成了行为主义学派。人工智能的载体-计算机美国数学家莫克利和艾克特于1946年2月14日研制成功了第一台通用计算机ENIAC。
它每秒能完成5000次加法，400次乘法等运算。
ENIAC为人工智能研究奠定物质基础。
图灵（1912一1954）：英国数学家1936年创立了自动机理论亦称图灵机。1950年在其著作《计算机与智能》中首次提出“机器也能思维”图灵设计了一个图灵试验，试图通过让机器模仿人回答某些问题，判断它是否具备智能。图灵的机器智能思想是人工智能的直接起源之一，被誉为“人工智能之父”。2019年7月，英国政府宣布图灵登上50英镑钞票。荣耀比肩牛顿、达尔文。人工智能诞生（1956年）AI诞生于一次历史性的聚会。
时间：1956年夏季地点：达特莫斯(Dartmouth)大学目的：为使计算机变得更“聪明”，或者说使计算机具有智能发起人：麦卡锡（J.McCarthy），Dartmouth的年轻数学家、计算机专家，后为MIT教授明斯基（M.L.Minsky），哈佛大学数学家、神经学家，后为MIT教授洛切斯特（N.Lochester)，IBM公司信息中心负责人香农（C.E.Shannon），贝尔实验室信息部数学研究员参加人：莫尔（T.more）、塞缪尔（A.L.Samuel），IBM公司塞尔夫里奇（O.Selfridge）、索罗蒙夫（R.Solomonff），MIT纽厄尔（A.Newell），兰德（RAND）公司西蒙（H.A.Simon），卡内基（Carnagie）工科大学会议结果：由麦卡锡提议正式采用了ArtificialIntelligence这一术语。形成期（1956-1974）形成期（1956-1974）：迅速发展1956年，塞缪尔在IBM计算机上研制成功了的西洋跳棋程序，它顺利战胜了当时的西洋棋大师罗伯特尼赖。1957年，纽厄尔、肖和西蒙等研制了一个称为逻辑理论机(LT)的数学定理证明程序。1960年，麦卡锡开发了LISP语言，成为以后几十年来人工智能领域最主要的编程语言！1965年，鲁宾逊提出了归结（消解)原理。1968年，美国斯坦福研究所（SRI）研发的首台智能机器人Shakey，它拥有类似人的感觉，如触觉、听觉等。低谷期（1974-1980）过高预言的失败，给AI的声誉造成重大伤害。“20年内，机器将能做人所能做的一切。”一西蒙，1965“在3-8年时间里，我们将研制出具有普通人智力的计算机。这样的机器能读懂莎士比亚的著作，会给汽车上润滑油，会玩弄政治权术，能讲笑话，会争吵。…它的智力将无以伦比。”——明斯基，1977塞缪尔的下棋程序在与世界冠军对弈时，以1比4告负。归结法的能力有限。当用归结原理证明“两连续函数之和仍然是连续函数”时，推了10万步也没证明出结果来。把“心有余而力不足”（Thespiritiswillingbutthefleshisweak）的英语句子翻译成俄语，再翻译回来时竟变成了“酒是好的，肉变质了”英国剑桥大学数学家詹姆士按照英国政府的旨意，发表一份关于人工智能的综合报告，声称人工智能即使不是骗局也是庸人自扰。黄金时期（1980-1987年）专家系统实现了人工智能从理论研究走向专门知识应用，是AI发展史上的一次重要突破与转折。1976年，费根鲍姆研制MYCN专家系统，用于协助内科医生诊断细菌感染疾病，并提供最佳处方。1976年，斯坦福大学的杜达等人研制地质勘探专家系统PROSPECTOR。AI被引入了市场，并显示出实用价值1981年，日本经济产业省拨款八亿五千万美元支持第五代计算机项目。其目标是造出能够与人对话、翻译语言、解释图像、并且像人一样推理的机器。英国开始了耗资三亿五千万英镑的Alvey工程。美国国防部高级研究计划(DARPA)1988年向AI的投资是1984年的三倍。第二次低谷（1987-1993）最初大获成功的专家系统维护费用居高不下。它们难以升级，难以使用，脆弱，成了已经暴露的各种各样的问题的牺牲品。到了80年代晚期，战略计算促进会大幅削减对AI的资助。
十年前日本人宏伟的“第五代工程”并没有实现。事实上其中一些目标，比如“与人展开交谈”，直到2010年也没有实现。与其他AI项目一样，期望比真正可能实现的要高得多。
平稳发展期（1993-2011）机器学习、人工神经网络、智能机器人和行为主义研究趋向深入。智能计算（CI）弥补了人工智能在数学理论和计算上的不足，更新和丰富了人工智能理论框架，使人工智能进入一个新的发展时期。1997年，“深蓝”战胜国际象棋世界冠军2000年，本田公司发布了机器人产品ASIMO，经过十多年的升级改进，目前已经是全世界最先进的机器人之一。2011年，IBM开发的人工智能程序“沃森”(Watson)参加了一档智力问答节目并战胜了两位人类冠军。蓬勃发展期：2012-至今数据的爆发式增长为人工智能提供了充分的养料，泛在感知数据和图形处理器等计算平台及新型的以深度学习为代表的新方法等因素合力造势，人工智能迎来它的蓬勃发展期。
人类已经正式跨入了人工智能的时代。
人工智能的发展现状专用人工智能有了突破性的进展，就是让人工智能专门去做一件事，比如下围棋，爬楼梯，组装某一件设备等。在这些面向特定领域或者单一任务方面，人工智能可以超越人类智能。
通用人工智能尚处于起步阶段通用人工智能的研究与应用任重道远人类大脑是一个通用的智能系统，能举一反三，融会贯通，可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题，可谓“一脑百用”。
目前，人工智能距离人类智能水平还有巨大差距，人工智能还有很多不足。
“智能+X”成为人工智能应用的创新模式“智能+X”应用范式日趋成熟，AI向各行各业快速渗透融合进而重塑整个社会发展，这是人工智能驱动第四次技术革命的最主要表现方式。
世界上的人工智能人工智能领域的国际竞争将日益激烈，世界主要国家纷纷出台人工智能战略、策略和政策。
当前中国人工智能国家高度重视并大力支持发展人工智能。2017年7月，国家发布《新一代人量双冠工智能发展规划》，将新一代人工智能放在国家战略层面进行部署。中国AI企业数量全球第二，视觉类技术最受欢迎。中国AI领域融资规模占全球60%。全球AI论文：中国反超美国，夺质、量双冠总结人工智能经过60多年的发展已取得了重大进展，但总体上还处于初级阶段；
它既具有巨大的理论与技术创新空间，也具有广阔的应用前景；
中国目前已经处列全球人工智能开发第一梯队，假以时日定能在这一领域独领风骚！
然而，前路漫漫，需要全员共同努力！
基础理论是根本，基础技术是主干，应用是枝叶。
只有根底深厚庞大，主干强劲，中国的人工智能产业才能日益兴荣昌盛。