我們經(jīng)常看到這幾個熱詞：人工智能（ArtificialIntelligence）、機器學習（MachineLearning）和深度學習（DeepLearning），但是它們之間究竟有什么區(qū)別和聯(lián)系呢？

人工智能（AI）的根本在于智能，即如何為機器賦予人的智能，這是一個非常大的范圍。

機器學習（ML）是指通過數(shù)據(jù)訓(xùn)練出能完成一定功能的模型，是實現(xiàn)人工智能的手段之一，也是目前最主流的人工智能實現(xiàn)方法。人工智能是科學，機器學習是讓機器變得更加智能的方法或算法。

深度學習（DL）是機器學習的一個分支。深度即層數(shù)，超過 8 層的神經(jīng)網(wǎng)絡(luò)模型就叫深度學習。深度學習也是當下最流行的機器學習的一種。目前在語音、圖像等領(lǐng)域取得了很好的效果。

三者之間是從大到小的包含關(guān)系。

今天重點介紹一下機器學習ML。

機器學習直接來源于早期的人工智能領(lǐng)域。

機器學習為什么如此重要？機器學習之所以成為人工智能背后的強勁動力是在于一個重大突破--互聯(lián)網(wǎng)的發(fā)明。互聯(lián)網(wǎng)有大量的數(shù)字信息被生成存儲和分析。機器學習算法在這些大數(shù)據(jù)方面是最有效的。

機器學習最基本的做法，是使用算法來解析數(shù)據(jù)、從中學習，然后對真實世界中的事件做出決策和預(yù)測。與傳統(tǒng)的為解決特定任務(wù)、硬編碼的軟件程序不同，機器學習是用大量的數(shù)據(jù)來“訓(xùn)練”，通過各種算法從數(shù)據(jù)中學習如何完成任務(wù)。機器學習則是機器通過大數(shù)據(jù)的輸入，從中主動尋求規(guī)律，驗證規(guī)律，最后得出結(jié)論，機器據(jù)此結(jié)論來自主解決問題，如果出現(xiàn)了偏差，會自主糾錯。

那么什么是機器學習呢？

機器學習ML（Machine Learning）是一門人工智能的學科，一門多領(lǐng)域交叉學科，涉及概率論、統(tǒng)計學、逼近論、凸分析、算法復(fù)雜度理論等多門學科。專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。

機器學習ML是人工智能的核心，是使計算機具有智能的根本途徑，其應(yīng)用遍及人工智能的各個領(lǐng)域，它主要使用歸納、綜合而不是演繹。

ML defined byLangley（1996） - Machine learning is a science of the artificial. Thefield‘s main objects of study are artifacts， specifically algorithms that improvetheir performance with experience.

ML defined byTom Mitchell （1997）- Machine Learning is the study of computeralgorithms that improve automatically through experience.

ML defined byAlpaydin（2004） - Machine learning is programming computers to optimize aperformance criterion using example data or past experience.

機器學習的本質(zhì)是空間搜索和函數(shù)的泛化。無論使用哪種機器學習模型，都要經(jīng)歷要經(jīng)歷“建立模型”，“訓(xùn)練模型”，“反饋”，“應(yīng)用”的過程。而這個過程，跟一個嬰兒認識世界，獲取知識的過程是一樣的。培養(yǎng)機器建立人的認識的過程，就是“機器學習”。

機器學習常見分類：

1）有監(jiān)督學習（supervised learning）：從給定的訓(xùn)練數(shù)據(jù)集中學習出一個函數(shù)，當新的數(shù)據(jù)到來時，可以根據(jù)這個函數(shù)預(yù)測結(jié)果。主要應(yīng)用于分類和預(yù)測。監(jiān)督學習的訓(xùn)練集要求是包括輸入和輸出，也可以說是特征和目標。訓(xùn)練集中的目標是由人標注的。常用算法包括人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network）、貝葉斯（Bayesian） 、決策樹（Decision Tree）和線性分類（Linear classifier）等 。

2）無監(jiān)督學習（unsupervised learning）：與監(jiān)督學習相比，訓(xùn)練集沒有人為標注的結(jié)果。又稱歸納性學習（clustering）利用K方式（Kmeans），建立中心（centriole），通過循環(huán)和遞減運算（iteration&descent）來減小誤差，達到分類的目的。常用算法包括人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network）、關(guān)聯(lián)規(guī)則學習（Association rule learning）、分層聚類 Hierarchical clustering 和異常檢測（Anomaly detection） 等 。

3）半監(jiān)督學習（semi- supervised learning）：介于監(jiān)督學習與無監(jiān)督學習之間。結(jié)合了大量未標記的數(shù)據(jù)和少量標簽數(shù)據(jù)。常用算法包括包括生成模型（Generative models）、低密度分離（Low-density separation）和聯(lián)合訓(xùn)練Co-training等。

4）強化學習（Reinforcement learning）：在這種學習模式下，輸入數(shù)據(jù)作為對模型的反饋，不像監(jiān)督模型那樣，輸入數(shù)據(jù)僅僅是作為一個檢查模型對錯的方式，在強化學習下，輸入數(shù)據(jù)直接反饋到模型，模型必須對此立刻作出調(diào)整。常見的應(yīng)用場景包括動態(tài)系統(tǒng)以及機器人控制等。常見算法包括Q-Learning、時間差學習（Temporal difference learning）和學習自動 Learning Automata等。

機器學習研究內(nèi)容主要包括三個方面：

（1）面向任務(wù)的研究：研究和分析改進一組預(yù)定任務(wù)的執(zhí)行性能的學習系統(tǒng)。

（2）認知模型：研究人類學習過程并進行計算機模擬。

（3）理論分析：從理論上探索各種可能的學習方法和獨立于應(yīng)用領(lǐng)域的算法。

機器學習研究領(lǐng)域集中于兩個范疇：

（1）分類任務(wù)要求系統(tǒng)依據(jù)已知的分類知識對輸入的未知模式作分析，以確定輸入模式的類屬。相應(yīng)的學習目標就是學習用于分類的準則（如分類規(guī)則）。

（2）問題求解任務(wù)要求對于給定的目標狀態(tài)，尋找一個將當前狀態(tài)轉(zhuǎn)換為目標狀態(tài)的動作序列；機器學習在這一領(lǐng)域的研究工作大部分集中于通過學習來獲取能提高問題求解效率的知識（如搜索控制知識，啟發(fā)式知識等）。

機器學習應(yīng)用廣泛，如：計算機視覺、自然語言處理、生物特征識別、數(shù)據(jù)挖掘、搜索引擎、自動駕駛、醫(yī)學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、專家系統(tǒng)、認知模擬、規(guī)劃和問題求解、戰(zhàn)略游戲和機器人等。

機器學習各種方法的應(yīng)用范圍不斷擴大，一部分已形成商品。歸納學習的知識獲取工具已在診斷分類型專家系統(tǒng)中廣泛使用。連接學習在聲圖文識別中占優(yōu)勢。分析學習已用于設(shè)計綜合型專家系統(tǒng)。遺傳算法與強化學習在工程控制中有較好的應(yīng)用前景。與符號系統(tǒng)耦合的神經(jīng)網(wǎng)絡(luò)連接學習將在企業(yè)的智能管理與智能機器人運動規(guī)劃中發(fā)揮作用。

機器學習是繼專家系統(tǒng)之后人工智能應(yīng)用的又一重要研究領(lǐng)域，也是人工智能和神經(jīng)計算的核心研究課題之一。現(xiàn)有的計算機系統(tǒng)和人工智能系統(tǒng)沒有什么學習能力，至多也只有非常有限的學習能力，因而不能滿足科技和生產(chǎn)提出的新要求。對機器學習的討論和機器學習研究的進展，必將促使人工智能和整個科學技術(shù)的進一步發(fā)展。

結(jié)語

機器學習是一門人工智能的科學，該領(lǐng)域的主要研究對象是人工智能，特別是如何在經(jīng)驗學習中改善具體算法的性能。機器學習是人工智能的組成部分，是人工智能的核心和前沿。機器學習的進展將不斷推動人工智能向前發(fā)展。