人工智能
研究让计算机具备模拟、延伸和扩展人的智能的一门技术科学。主要是来源于大量的数据来使机器学习能比人更快的计算出结果,这可能就是我眼中的大数据.
或许大数据分析出结果,再往上一个级别的建模就叫做人工智能吧!鄙人理解尚浅,还请多多指教,自学总结笔记不易.
机器学习
是利用算法或逻辑，在大量的数据上进行运算（从数据中学习如何完成任务即学习训练的过程），产生模型，通过模型对真实事件做出决策和预测。
1.机器学习从方法上来分，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习。
2.传统的算法包括k-邻近算法、决策树、贝叶斯分类、聚类、支持向量机等。
深度学习
是利用包含多个隐含层的神经网络结构的人工神经网络（深度神经网络），通过优化神经元的连接方法和激活函数等方面，来提高训练效果，产生模型后，通过模型对真实事件作出决策和预测。
机器学习与深度学习的关系
机器学习是一种实现人工智能的方法。深度学习是一种实现机器学习的技术（新算法）。
机器学习与深度学习的对比
1、应用场景：应用场景
机器学习在指纹识别、特征物体，检测等领域的应用基本达到了商业化的要求。
深度学习主要应用于文字识别、人脸技术、语义分析、智能监控等领域。目前在智能硬件、教育、医疗等行业也在快速布局。
2、数据依赖性
机器学习能够适应各种数据量，特别是数据量较小的场景。在这种情况下，传统的机器学习算法使用制定的规则，性能会比较好。
深度学习的精准度，需要大量的数据来训练，当数据量很少时，深度学习算法的性能并不好。
3、硬件依赖
深度学习算法需要进行大量的矩阵运算，GPU主要用来高效优化矩阵运算，所以GPU是深度学习正常工作的必须硬件。
机器学习对硬件配置要求相对，深度学习没有那么高！
4、训练算法时间
深度学习算法，因为包含有很多参数，需要大量时间进行训练，完整地训练一次可能需要消耗两周的时间或更长时间！
机器学习的训练会消耗的时间相对较少，只需要几秒钟到几小时的时间。
5、预测时间
深度学习算法的预测时间，相比机器学习，只需要很少的时间去运行。
6、解决问题的方法
机器学习算法遵循标准程序解决问题。它将问题拆分成数个部分，对其进行分别解决，而后再将结果结合起来以获得所需的答案。
深度学习则以集中方式解决问题，而不必进行问题拆分，提倡直接的端到端的解决问题。
7、可解释性
深度学习可以达到接近人的标准，但是这仍然有个问题。在数学的角度上，你可以找出来哪一个深度神经网络节点被激活了。但是我们不知道神经元应该是什么模型，我们也不知道这些神经单元层要共同做什么。所以无法解释结果是如何产生的。
机器学习算法给出了明确的规则，所以解释背后的推理是很容易的。
8、特征处理
机器学习算法的性能依赖于所提取的特征的准确度，而特征数据的处理，需要更专业的知识，且很耗时。
深度学习尝试从数据中直接获取高等级的特征，深度学习削减了对每一个问题设计特征提取器的工作。
机器学习和深度学习应用领域
1、计算机视觉 用于车牌识别和面部识别等的应用。
2、信息检索 用于诸如搜索引擎的应用 - 包括文本搜索和图像搜索。
3、市场营销 针对自动电子邮件营销和目标群体识别等的应用。
4、医疗诊断 诸如癌症识别和异常检测等的应用。
5、自然语言处理，如情绪分析和照片标记等的应用。
6、无人驾驶。
总结
机器学习算法在指纹识别、人脸检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平，但每前进一步都异常艰难，直到深度学习算法的出现，人工智能才开始大爆发，继续拓展人工智能的领域，如：无人驾驶、预防性医疗保健等！深度学习很早就出现过，但由于当时训练数据量不足、计算能力落后，因此最终的效果不尽如人意。深度学习模型需要大量的训练数据，才能展现出神奇的效果！