深度学习是机器学习的一个分支，使用人工神经网络来处理和分析信息。神经网络由计算节点组成，这些节点分布于深度学习算法中的各层。每层都包含输入层、输出层和隐藏层。训练数据馈送至神经网络，以帮助算法学习并提高准确率。当神经网络由三层或更多层组成时，我们称它具有“深度”，因此称为深度学习。

深度学习算法仿效人脑的工作方式，可用于分析具有逻辑结构的数据。深度学习在当今许多被视为 AI 的任务中都有应用，包括图像和语音识别、对象检测和自然语言处理。深度学习可以在数据集中建立复杂的非线性关联，但与机器学习相比，需要更多的训练数据和计算资源。

用于深度学习的一些常见类型的神经网络包括：

前馈神经网络 (FF)是一种最早的神经网络形式，其中数据单向流过人工神经元层，直到获得输出。

循环神经网络 (RNN)是一种与前馈神经网络不同的神经网络，它们通常使用时序数据或涉及序列的数据。循环神经网络对前一层发生的事情具有“记忆”，这取决于当前层的输出。

长/短期记忆 (LSTM) 是一种高级形式的 RNN，它可以使用内存来“记住”先前的层中发生的事情。

卷积神经网络 (CNN) 包含现代人工智能中一些最常见的神经网络，使用多个不同的层（先是卷积层，然后是池化层）过滤图片的不同部分，然后再将其全部放回（全连接层中）。

生成对抗网络 (GAN) 涉及两个神经网络（“生成器”和“判别器”），它们在游戏中会相互竞争，最终提高输出的准确率。

机器学习是人工智能的一个分支，它使系统能够在没有明确编程的情况下自主学习和改进。机器学习算法的工作原理是识别模式和数据，并在有新数据输入系统时进行预测。

概括来讲，机器学习中常用的模型有三种：监督式模型、非监督式模型和强化模型。

监督式学习 是一种使用带标签的训练数据（结构化数据）将特定输入映射到输出的机器学习模型。在监督式学习中，输出结果是已知的（例如识别苹果图片），模型是使用已知输出的数据进行训练的。简单来说，要训练算法识别苹果的图片，则向其提供标记为苹果的图片。

目前最常用的监督式学习算法包括：

• 线性回归
• 多项式回归
• K 近邻算法
• 朴素贝叶斯
• 多项式回归
• 决策树

非监督式学习是一种使用无标签数据（非结构化数据）来学习模式的机器学习模型。与监督式学习不同，输出不会提前知道。相反，这种算法会在没有人工输入（即无人监督）的情况下从数据中学习，并根据属性将数据分类为多个组。例如，如果给算法提供了苹果图片和香蕉图片，它就会自行识别哪张图片是苹果，哪张图片是香蕉。非监督式学习擅长描述性建模和模式匹配。

目前最常用的非监督式学习算法包括：

• 模糊均值
• K-means 集群
• 层次聚类
• 主成分分析
• 偏最小二乘

人们还经常使用一种称为半监督式学习的混合式机器学习，其中仅标记部分数据。在半监督式学习中，算法必须确定如何组织和构造数据才能得出已知结果。例如，机器学习模型被告知最终结果是苹果，但只有部分训练数据被标记为苹果。

强化学习是一种机器学习模型，可以描述为通过一系列试错实验来“边做边学”。“代理”通过反馈环学习执行定义的任务，直到其性能在预期范围内。当代理出色执行任务时，它会获得正强化；当代理表现不佳时，它会获得负强化。强化学习的一个例子是，Google 研究人员教一种强化学习算法来玩围棋游戏。这个模型事先并不了解围棋的规则，而只是随机移动棋子并在算法训练过程中“学习”最佳结果，直到机器学习模型可以在游戏中击败人类棋手。

人工智能是一个构建能够推理、学习和行动的计算机和机器的科学领域，这种推理、学习和行动通常需要人类智力，或者涉及超出人类分析能力的数据规模。AI 是一个涵盖许多学科的大型领域，包括计算机科学、数据和分析、软件工程，甚至还有哲学。

在业务层面，AI 是一组技术，具有许多应用场景，包括数据分析、预测、自然语言处理、推荐、机器自动化、智能数据检索等。

在讨论 AI 的方方面面时，人们通常将人工智能、机器学习和深度学习用作同义词。虽然这些术语相互关联，但不可互换。

AI 领域非常广泛，而机器学习是 AI 的一种应用，让机器无需专门编程即可进行学习。机器学习被更明确地用作一种通过决策树或线性回归等比较简单的方法从数据中提取知识的方式，而深度学习则使用人工神经网络中更高级的方法。

深度学习需要的人工干预更少，因为数据集的特征是自动提取的，而相对比较简单的机器学习技术则需要工程师人工识别数据的特征和分类器，并相应地调整算法。从本质上讲，深度学习可以从自己的错误中学习，而机器学习则需要人工介入。

与机器学习相比，深度学习还需要更多的数据，继而需要更大的计算能力。机器学习通常可以使用运行 CPU 的服务器来完成，而深度学习通常需要更强大的芯片（比如 GPU）。