Artificial Intelligence vs Machine Learning vs Deep Learning

人工智能與機器學習與深度學習相比，這些術語讓很多人感到困惑。 如果你也是其中之一，那麼這篇文章絕對適合你。

人工智能是機器學習和深度學習的更廣泛的扇形組織結構。 您還可以在圖表中看到，即使是深度學習也是機器學習的一個子集。 所以人工智能，機器學習和深度學習三個之間只是彼此的子集。 因此，讓我們繼續前進並了解它們之間的確切差異。



Starting with Artificial Intelligence
人工智能這個術語最早是在1956年創造出來的，但是現在人工智能已經變得越來越受歡迎了？ 嗯，這是因為數據量的大量增加，先進的演算法以及計算能力和存儲的改進。

我們的數據不足以預測準確的結果。 但現在數據量大幅增加。 統計數據表明，到2020年，大數據的累積量將從4.4 zettabytes增加到大約44 zettabytes或44萬億GB的數據。

現在我們甚至擁有更先進的演算法和高端計算能力和存儲，可以處理如此大量的數據。 因此，預計70％的企業將在未來12個月實施人工智能，從2016年的40％上升到2017年的51％。

What is Artificial Intelligence?
人工智能是一種允許機器通過複製其行為和性質而像人類一樣行動的技術。

人工智能使機器可以從他們的經驗中學習。 機器根據新輸入調整其響應，從而通過處理大量數據並識別其中的模式來執行類似人類的任務。

AI Explained with an Analogy: Construction of a Church

您可以認為構建人工智能就像建造教堂一樣。

第一個教會需要幾個世代才能完成，因此大多數從事這項工作的工人從未見過最後的結果。 那些工作的人為他們的工藝，建造磚塊和鑿石頭而感到自豪。 因此，作為人工智能研究人員，我們應該將自己視為不起眼的磚塊製造者，他們的工作就是研究如何構建組件（例如解析器，規劃器，學習算法等），這些組件有一天會在某個地方集成到智能係統中。

我們日常生活中的人工智能的一些例子是Apple的Siri，國際象棋電腦，特斯拉的自動駕駛汽車等等。 這些範例基於深度學習和自然語言處理。

嗯，這是關於什麼是AI以及它是如何獲得炒作的。 因此，繼續前進讓我們討論機器學習，看看它是什麼，為什麼它甚至被引入。

機器學習在80年代末和90年代初期就已經存在。 但是實現機器學習的人們面臨的問題是什麼？

統計：如何有效地訓練大型複雜模型？

計算機科學與人工智能：如何訓練出更強大的AI系統版本？

神經科學：如何設計大腦的運作模型？

What is Machine Learning?
機器學習是人工智能的一個子集。 它允許機器根據其經驗(數據)學習和預測。

Understanding Machine Learning with an Example
假設您想要創建一個系統，該系統可以根據人的身高來預測人的預期體重。 您要做的第一件事就是收集數據。 以下是我們的數據分佈：


圖表上的每個點代表一個數據點。 首先，我們可以繪製一條簡單的線來預測基於高度的權重。 例如，一個簡單的行：

W = H - 100

其中W是以kg為單位的重量，H是以cm為單位的高度

這一行可以幫助我們做出預測。 我們的主要目標是減少估計值與實際值之間的差異。 因此，為了實現它，我們嘗試繪製一條適合這些數據點的直線，並儘量減少誤差。 減小誤差或實際值與估計值之間的差異會提高性能。

此外，我們收集的數據點越多，我們的模型就越好。 我們還可以通過添加更多變量（例如性別）並為它們創建不同的預測線來改進我們的模型。 一旦創建了線，所以將來如果將新數據(例如人的身高)輸入模型，它將很容易為您預測數據並告訴他預測的重量。

希望你對機器學習有一個清晰的認識。 繼續前進讓我們了解深度學習。

What is Deep Learning?
深度學習是一種特殊的機器學習，透過學習將世界表示為概念性或抽象性的嵌套層次結構來實現強大的功能和靈活性。

您可以將深度學習模型視為火箭引擎，其燃料是我們為這些演算法提供大量數據。

深度學習的概念並不新鮮。 但最近它的炒作增加了，深度學習越來越受到關注。 這個領域是一種特殊的機器學習，它受到我們的腦細胞功能的啟發，稱為人工神經網絡。 它只需要在所有人工神經元之間建立數據連接，並根據數據模式對其進行調整。 如果數據的大小很大，則需要更多的神經元。 它自動以多個抽象級別進行特徵學習，從而允許系統學習複雜的函數映射，而不依賴於任何特定的演算法。

Understanding Deep Learning with Analogies
讓我們從一個簡單的例子開始，解釋事物在概念層面的運作方式。

Example 1:
讓我們試著理解如何識別其他形狀的正方形。

首先要檢查是否有4條線與一個圖形相關聯。 如果是，我們進一步檢查，如果它們已連接並關閉，如果是，我們最終檢查它是否垂直的並且其所有邊長都相等。 這只是一個嵌套的概念層次結構(nested hierarchy of concept)。

我們做了什麼，我們在這種情況下完成了識別正方形的複雜任務，並將其分解為更簡單的任務。 現在，這種深度學習也可以做到這一點，但規模更大。

Example 2:
讓我們舉一個識別動物的機器的例子。 機器的任務是識別給定的圖像是貓還是狗。

如果我們被要求使用機器學習的概念來解決同樣的問題，我們會做什麼呢？ 首先，我們將定義諸如檢查動物是否有鬍鬚的特徵，或檢查動物是否有尖耳或尾巴是直的還是彎曲的。

簡而言之，我們將定義面部特徵，讓系統識別哪些特徵在對特定動物進行分類時更為重要。

深度學習比機器學習更進階是在於深度學習會自動找出對分類，但機器學習必須手動提供特徵。

到現在為止，我想我的文章已經讓你明白AI是一個更大的圖景，機器學習和深度學習是它的子部分，所以總結它我會說最簡單的方法來理解機器學習和深度學習之間的區別就是知道深度學習是機器學習。更具體地說，它是機器學習的下一個發展。



參考
https://medium.com/edureka/ai-vs-machine-learning-vs-deep-learning-1725e8b30b2e?fbclid=IwAR34lZayoZvj4af_vDfkhgxPtU1FIpB1rSKKo7eJkbDElvwTg7cRpQ-FG5g