⼈⼯智能、 机器学习 与深度学习的 区别 与联系 你是否也有这样的疑惑，⼈⼯智能、 机器学习 、深度学习以及监督学习等名词之间到底有什么样的联系与 区别 ，以及它们的应⽤场景呢。 下⾯就通过概念、 区别 和联系以及应⽤场景三个⽅⾯来具体的分析下他们。 ⼀、概念 1、⼈⼯智能 ⼈⼯智能（Artificial intelligence）简称AI。⼈⼯智能是计算机科学的⼀个分⽀，它企图了解智能的 本质 ，并⽣产出⼀种新的能以⼈类智 能相似的⽅式做出反应的智能机器，是研究、开发⽤于模拟、延伸和扩展⼈的智能的理论、⽅法、技术及应⽤系统的⼀门新的技术科学。 ⼈⼯智能⽬前分为弱⼈⼯智能和强⼈⼯智能和超⼈⼯智能。 1）弱⼈⼯智能：弱⼈⼯智能（ArtificialNarrow Intelligence /ANI),只专注于完成某个特定的任务，例如语⾳识别、图象识别和翻译 等，是擅长于单个⽅⾯的⼈⼯智能。它们只是⽤于解决特定的具体类的任务问题⽽存在，⼤都是统计数据，以此从 中 归纳出模型。由于弱⼈ ⼯智能智能处理较为单⼀的问题，且发展程度并没有达到模拟⼈脑思维的程度，所以弱⼈⼯智能仍然属于"⼯具"的范畴，与传统的"产 品"在 本质 上并⽆ 区别 。 2) 强⼈⼯智能：强⼈⼯智能（Artificial Generallnteligence /AGI),属于⼈类级别的⼈⼯智能，在各⽅⾯都能和⼈类⽐肩，它能够进⾏ 思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验 中 学习等操作，并且和⼈类⼀样得⼼应⼿。 3）超⼈⼯智能：超⼈⼯智能（Artificial Superintelligence/ASI），在⼏乎所有领域都⽐最聪明的⼈类⼤脑都聪明许多，包括科学创 新、通识和社交技能。在超⼈⼯智能阶段，⼈⼯智能已经跨过"奇点"，其计算和思维能⼒已经远超⼈脑。此时的⼈⼯智能已经不是⼈类可 以理解和想象。⼈⼯智能将打破⼈脑受到的维度限制，其所观察和思考的内容，⼈脑已经⽆法理解，⼈⼯智能将形成⼀个新的社会。 ⽬前我们仍处于弱⼈⼯智能阶段。 2、 机器学习 机器学习 （MachineLearning）简称ML。 机器学习 属于⼈⼯智能的⼀个分⽀，也是⼈⼯智能的和核⼼。 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。 3、深度学习 深度学习（DeepLearning）简称DL。最初的深度学习是利⽤深度神经⽹络来解决特征表达的⼀种学习过程。深度神经⽹络本⾝并不是 ⼀个全新的概念，可⼤致理解为包含多个隐含层的神经⽹络结构。为了提⾼深层神经⽹络的训练效果，⼈们对神经元的连接⽅法和激活函数 等⽅⾯做出相应的调整。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，如图象、声⾳、⽂本。 注意：你可能在接触深度学习的时候也听到过监督学习、⾮监督学习、半监督学习等概念，下⾯就顺便对这三个名词解析下： 1）监督学习：⽤⼀部分已知 分类 、有标记的样本来训练机器后，让它⽤学到的特征，对没有还 分类 、⽆标记的样本进⾏ 分类 、贴标签。多 ⽤于 分类 。 2）⾮监督学习：所有的数据没有标记，类别未知，让它⾃⼰学习样本之间的相似性来进⾏ 分类 。多⽤于 聚类 。 3）半监督学习：有两个样本集，⼀个有标记，⼀个没有标记。综合利⽤有类标的样本（ labeled sample）和没有类标的样本（ unlabeled sample），来⽣成合适的 分类 。 ⼆、 区别 于联系 下⾯⼀张图能更加细分其关系： 注意：在上幅图 中 ，我们可以看下 机器学习 下的深度学习和监督学习以及⾮监督学习，那它们之间是什么关系呢，其实就是 分类 ⽅法不同⽽ 已，他们之间可以互相包含。打个⽐⽅：⼀个⼈按性别可以分为男⼈和⼥⼈，⽽按年龄来分可以分为⽼⼈和⼩孩⼦。所以在深度学习 中 我们 可以⽤到监督学习和⾮监督学习，⽽监督学习 中 可以⽤到很基础的不含神经元的算法（KNN算法）也可以⽤到添加了多层神经元的深度学习 算法。 三、应⽤场景 1) ⼈⼯智能的研究领域在不断的扩⼤，包括专家系统、 机器学习 、进化计算、模糊逻辑、计算机视觉、⾃然语⾔处理、推荐系统等。并 且⽬前的科研⼯作都集 中 在弱⼈⼯智能这部分。 2) 机器学习 直接来源于早期的⼈⼯智能领域，传统的算法包括决策树、 聚类 、贝叶斯 分类 、⽀持向量机、EM、Adaboost等等。从学习 ⽅法上来分， 机器学习 可以分为监督学习(如 分类 问题)、⽆监督学习(如 聚类 问题)、半监督学习、集成学习、深度学习和强化学习。传统的 机器学习 算法在指纹识别、⼈脸检测、特征物体检测等领域的应⽤基本达到了商业化的要求或特定场景的商业化⽔平。 3) 深度学习本来并不是⼀种独⽴的学习⽅法，其本⾝也会⽤到监督学习和⽆监督学习⽅法来训练深度神经⽹络，但由于近年来改领域发 展迅猛，⼀些特有的学习⼿段相继被提出(如残差

谱 聚类 是基于谱图理论基础上的一种 聚类 方法，与传统的 聚类 方法相比：具有在任意形状的样本空间上 聚类 并且收敛于全局最优解的优点。（但效率不高，实际工作 中 用的比较少） 通过对样本数据的拉普拉斯矩阵的特征向量进行 聚类 ，从而达到对样本数据进行 聚类 的目的；其 本质 是将 聚类 问题转换为图的最优划分问题，是一种点对 聚类 算法。 谱 聚类 算法将数据集 中 的每个对象看做图的顶点 V，将顶点间的相似度量化为相应顶点连接边E的权值 w，这样就构成了一个基于相似度的无向加权图 G(V,E)，于是 聚类 问题就转换为图的划分问题。基于图的最优划分规则就是子图内的相似度最大，子图间的相似度最小。 谱 聚类 的构建过程主要包含以下

当把 聚类 （Clustering）和 分类 （Classification）放到一起时，很容易弄混淆两者的概念，下分别对两个概念进行解释。       1 聚类 （Clustering）：         将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为 聚类 。 聚类 分析的一般做法是，先确定 聚类 统计量，然后利用统计量对样品或者变量进行 聚类 。对N个样品进行 聚类 的方法称为Q型

分类 简单来说，就是根据文本的特征或属性，划分到已有的类别 中 。也就是说，这些类别是已知的，通过对已知 分类 的数据进行训练和学习，找到这些不同类的特征，再对未 分类 的数据进行 分类 。 而 聚类 的理解更简单，就是你压根不知道数据会分为几类，通过 聚类 分析将数据或者说用户聚合成几个群体，那就是 聚类 了。 聚类 不需要对数据进行训练和学习。 分类 属于监督学习， 聚类 属于无监督学习。常见的 分类 比如决策树 分类 算法、贝叶斯 分类 算法...

机器学习 中 的大部分问题都可以归为 聚类 或者 分类 问题。例如，我们利用神经网络来进行手写体数字识别，无非是将所有手写体数字图片分为标签为0,1,2,...,9这10个类别。 当我们分别来谈论 聚类 和 分类 问题时，我们对这两个概念都不陌生。但是，当我们将两者放在一起来谈时，我们可能又会发现，我们对二者的界限是很模糊的，仿佛二者说的是同一件事情。 所以，接下来我们就来梳理一下二者到底有什么 区别 。