深度学习和普通机器学习之间有何区别

深度学习和普通机器学习之间有何区别  

深度学习和普通机器学习之间有何区别

1、普通机器学习一般指的是像决策树、逻辑回归、支援向量机、xgboost等
2、深度学习主要特点是使用深度神经网路：深度卷积网路、深度回圈网路、递回网路等
区别的话：
1、演算法层面上没有任何相似的地方，硬要说相似可能就是大家的功能都是对高维函式的拟合吧。
2、普通机器学习比较擅长分析维度较低，可解释性很强的任务。比如资料探勘、推荐演算法。他们的特点是一般情况下采集的资料维度都不高，以广告推送任务为例，一般分析的资料维度只会包含性别、年龄、学历、职业等。可解释性很强，调参方向较为明确。
3、深度学习演算法擅长分析高维度的资料。比如影象、语音等。以图片为例，一张图片画素可能几十上百万，相当于特征向量维度达到几十上百万，而且画素点与画素点之间的关系又不是特别明显。这种时候用卷积神经网路能很有效的处理这种问题，基本很精确的抓取出图片的特征。但是每个维度的权重可解释性极弱，调参方向很不明朗（神经元数量、隐含层层数等）
综上，其实两者差别很大的。深度学习是近几年才发展起来的。传统机器学习演算法大都来源于概率论，资讯学。对于程式编写的话，传统机器学习模型基本上都整合在sklearn这个包里面，深度学习可以用tensorflow作为框架
想详细了解的话，传统机器学习可以看李航老师的《统计学原理》或者周志华老师的《机器学习》（也叫西瓜书）。深度学习因为是这两年才发展起来的相关书籍很少，可以去查近两年的深度学习论文
当然两者都需要比较扎实的数学基础，主要是这三本：《线性代数》或《高等代数》、《高等数学》或《数学分析》、《概率论》或《随机过程》
谢谢

人工智慧，机器学习，深度学习，到底有何区别

从2015年下半年开始，“人工智慧(AI)”一词逐渐出现在了大众的视野当中。近两年来，无论是资本、政府或是民众，对人工智慧的关注持续升温：各类人工智慧相关创业公司纷纷获得可观的融资，政府的工作报告中多次提到“人工智慧”，百度的搜寻指数也反映了这一趋势。
不过，“人工智慧”并不是自己一个人火起来的，他还有两个形影不离的队友：“机器学习”与“深度学习”。这三个词如同天团组合一般，出现在各种地方，有时甚至互为化身。那么问题来了，人工智慧、机器学习、深度学习三者到底是什么关系？它们之间有什么联络与区别？我们这里不干劈概念，从人工智慧的发展历程说起。
人工智慧的前世今身
1956年夏天，以麦卡锡(John McCarthy)、明斯基(Marvin Minsky)、罗切斯特(Nathaniel Rochester)和夏农(Claude Shannon)等为首的一批年轻科学家相聚达特茅斯，共同研究和探讨用机器模拟智慧的一系列有关问题（史称“达特茅斯会议”）。在那次会议上，“人工智慧”一词被提出，也标志著“人工智慧”这门新兴学科的正式诞生。
当时的人工智慧研究处于“推理期”，人们认为只要能赋予机器逻辑推理的能力，机器就会具有智慧。当时的研究的确取得了一定的成果，比如证明了不少数学定理，部分定理的证明方式甚至比数学家的更为巧妙。
然而，人类的智慧不仅来源于逻辑推理能力，也来源于大量经验和知识。比方说假如我从未坐过飞机也从未给别人买过机票，当你问我明天飞北京的机票多少钱，我估计会懵逼，连查携程都不知道，从而显得不那么“智慧”，但其实我的推理能力并没有掉线。从20世纪70年代开始，人工智慧研究进入了“知识期”，人们希望在推理的基础上，把各领域的知识总结起来告诉机器，让它获得智慧。当时大量的专家系统（具有大量的专门知识与经验的程式系统，可进行推理和判断，模拟人类专家的决策过程）问世，在很多应用领域取得了不少成果。
但人们很快认识到，把知识总结起来教给机器是非常困难的（称为“知识工程瓶颈”），因为人类的知识实在太多，还得把这些知识写成机器能够理解的形式。如果我们能够只给机器一些相对原始的资料，然后让机器自己去进行学习，那该多好。所以从20世纪80年代开始，机器学习这一技术路线逐渐主导了人工智慧的研究，直到现在。
什么是机器学习
机器学习可以理解为机器从已知的经验资料（样本）中，通过某种特定的方法（演算法），自己去寻找提炼（训练/学习）出一些规律（模型）；提炼出的规律就可以用来判断一些未知的事情（预测）。
比如我们接触了1w只单身汪（已知样本），通过归纳总结与比较（演算法）找出TA们身上一些共性特点，然后将这些共性特点作为判断单身汪的依据（模型），那么下次遇到一个人（未知样本），就可以判断TA是不是单身了（预测）。
既然是从一堆已知的样本中找规律，那么找规律的方式以及找出的规律的形态就会因人而异，也就是演算法与模型都可能会有所不同。所以，机器学习本身也是分为不同流派的，每种流派都有它代表性的模型与演算法。机器学习主要分为符号主义学习（以决策树模型与相关演算法为代表）、连线主义学习（以神经网路模型与相关演算法为代表）与统计学习（以支援向量机与相关演算法为代表）。符号主义学习与连线主义学习在20世纪80年代至90年代中期非常流行，统计学习则从90年代中期开始迅速占据舞台。值得一提的是，为判断一个人是否为单身汪而找出的一系列特征规律其实就是一棵决策树。
深度学习的崛起
进入21世纪之后，网际网路与移动网际网路的兴起造成了资料量的爆发式增长，云端计算也使得计算能力大幅增强，同时神经网路的相关演算法也逐渐成熟，所以导致连线主义的代表——神经网路卷土重来。再次归来的神经网路，往往拥有比原先更为庞大的网路层级结构，所以被称为“深度神经网路”。由于有足够的训练资料和计算能力，深度神经网路在很多（尤其是语音处理、自然语言处理、影象处理等较为复杂的）任务中取得了非常优异的效能。效能的突破促成了人工智慧在语音识别、文字翻译、人脸识别等一系列场景的应用，让大家看到了新技术落地所带来的经济效益与想象空间，从而引起了人工智慧的热潮。
总结
说了这么多，下面用一幅图来说明人工智慧的技术流派类别与演变历程。要注意的是，虽然人工智慧的流派在不断演变，但这并非说明过去的技术路线就被抛弃了。这更像是以实际应用为导向的各领风骚——在一个时代，某种技术流派正好能够较好地解决这个时代所需要去解决的实际产业问题，那么自然就会流行。目前有很多不同的机器学习技术正应用于各自适合的场景，比如作为统计学习代表的支援向量机，仍然是文字分类任务的首选技术。
最后来回答文章题目中的问题。人工智慧是一个大的概念，是研究如何使机器获得智慧的学科；机器学习是人工智慧中的一个技术流派，通过从已知样本中提炼规律来获得判断未知样本的“智慧”；深度学习则是机器学习的一种，它所学习出来的模型是深度神经网路。

人工智慧，机器学习和深度学习之间的区别和联络

是一个包含的关系。
机器学习是人工智慧的一种，深度学习是机器学习的一种

从属关系啊。
从上往下的顺序是人工智慧>机器学习>深度学习。

深度学习是机器学习的方向和领域之一，机器学习又是人工智慧的方向和领域之一。
具体他们分别研究哪些问题一篇文章很难讲清楚哩。不过大多数人都推荐图灵的那篇论文作为研究起点。
目前深度学习因为取得了很多关键技术进展，效果超出预期所以很热，很多领域开始利用深度学习解决一些实际问题。深度学习的巨大进展带动机器学习其他分支学科一起热了起来。
人工智慧技术未来将会想电力、通讯、网际网路等技术一样成为社会的基本支撑技术之一。

深度学习使得机器学习能够实现众多的应用，并拓展了人工智慧的领域范围。深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。
人工智慧就在现在，就在明天。有了深度学习，人工智慧甚至可以达到我们畅想的科幻小说一般。

我也仍在学习，以我的理解机器学习是普通的人工智慧，而深度学习是深度拟人化的高阶人工智慧。