读懂人工智能、机器学习、神经网络和深度学习的关系
图2人工智能关系图
饮鹿网（innov100）产业研究员认为机器学习（machinelearning）可以简单的理解为实现人工智能的核心方法。他不是一个单一的方法，而是众多算法的合集。没错，人工智能的核心就是由各种算法作为支撑的。不过，现在的机器学习更容易理解成，简单的半人工智能算法，比如我们在逛某宝的时候，总是会有栏目推荐各种商品，或者你浏览了某些商品后，你会发现首页连默认搜索词都变成了你浏览的商品的关键词，这里面就融合了基于机器学习的推荐算法，而且在后台还为用户画像，更加准确的预测你想要购买的商品。其实这样的技术实现背后还是有一定问题的，比如你的隐私，如果你被预测的很准确，那你还有什么隐私可言，你所有的操作都可能悄悄的出卖了你。
神经网络（NeuralNetwork）简单说就是机器学习众多算法中的一类，设计的时候就是模仿人脑的处理方式，希望其可以按人类大脑的逻辑运行（尽管目前来说对人脑的研究仍不够透彻）。神经网络已经有很多年的历史，但现在基本很少听到了。饮鹿网（innov100）产业研究员认为神经网络可以简单的分为单层，双层，以及多层网络。神经网络在之前有非常多的问题，层数无法深入过多，有太多的参数需要调节，样本数据量过小等问题。总之，其之前是一门并不被看好的技术。直到2006年，Hinton在《Science》和相关期刊上发表了论文，首次提出了“深度信念网络”的概念。
深度学习（DeepLearning）其实算是神经网络的延伸，从概念被提出，逐渐的在人工智能领域大显身手。尤其是在2012年，其在图像识别领域获得惊人的成绩。和神经网络一样，深度学习也是一个算法的集合，只不过这里的算法都是基于多层神经网络的新的算法。他是一种新的算法和结构，新的网络结构中最著名的就是CNN，它解决了传统较深的网络参数太多，很难训练的问题，使用了“局部感受野”和“权植共享”的概念，大大减少了网络参数的数量。关键是这种结构确实很符合视觉类任务在人脑上的工作原理。新的方法就多了：新的激活函数：ReLU，新的权重初始化方法（逐层初始化，XAVIER等），新的损失函数，新的防止过拟合方法（Dropout,BN等）。这些方面主要都是为了解决传统的多层神经网络的一些不足：梯度消失，过拟合等。
由于其解决了早期人工智能的一些遗留问题，在大数据和大算力的加持下，使得人工智能重新进入到大众的视野。并在视觉识别，图像识别，语音识别，棋类AI中成为核心技术。所以现在深度学习就是新的神经网络，其本质仍然是神经网络，但是又区别于旧的神经网络。另外现在基本很少在讨论神经网络了。
希望大家看完文章之后，可以理解人工智能、机器学习、神经网络和深度学习之间的关系了。另外，在此基础上继续延伸的话，还有迁移学习和强化学习，这些会在之后的文章继续探索。
本文系Innov100原创文章，转载请标明出处。
更多精彩内容请登录http://www.innov100.com官方网站点击注册
或者扫描下方二维码，点击关注微信公众号（ID：sagetimes）
返回搜狐，查看更多