人工智能 机器学习 深度学习的关系

人工智能（AI）是一个广泛而复杂的概念，已经存在了数十年。AI是用于描述模仿人脑认知功能的概念或系统。
它可以用来描述机器可以模仿人类行为的方式行动或表现的情况。
AI通常用于描述一个可以从经验中学习，可以使用知识来执行任务，推理和做出决策的系统，例如，专家系统，神经网络和模糊逻辑。

机器学习是AI的子集，是算法从数据中学习的一种方法。它可以用于建立可以根据过去的经验预测未来行为的模型。机器学习用于分析大型数据集并查找数据中的模式。机器学习模型的一个示例是垃圾邮件过滤器，该过滤器学习区分垃圾邮件和非垃圾邮件。

有三种不同类型的机器学习。它们中的每一个都用于不同类型的问题。
监督学习
监督学习是机器学习的最常见类型。它用于查找数据模式，并根据过去的经验来预测未来的行为。在监督学习中，数据分为两部分，称为训练集和测试集。训练集用于训练模型，测试集用于评估模型的准确性。

监督学习的目标是找到自变量和因变量之间的关系。自变量是我们对数据了解的东西。例如，自变量是用于描述客户的功能。因变量是我们想要了解的有关数据的内容。例如，因变量是特定客户的利润。自变量和因变量之间的关系称为模型。

监督学习可用于根据客户的特征预测客户的利润。

无监督学习
无监督学习用于查找数据中的结构。在无监督学习中，没有训练集。该模型是从测试集中学习的。它也可以用于在数据中查找组或聚类或识别数据中的异常。

无监督学习可用于查找相似客户的组。

强化学习
强化学习是一种机器学习，用于根据数据查找良好的动作或决策。强化学习用于找到将奖励最大化的最佳行动或决策。它用于找到问题的最佳解决方案。最佳解决方案取决于奖励函数。

强化学习可用于优化不同类型的问题。例如，它可用于优化非线性函数或查找网络中的最短路径.

深度学习是使用人工神经网络的机器学习的子集。人工神经网络是受人脑结构启发的计算模型。它们用于开发可以从数据中学习的算法。
深度学习用于构建可以对数据进行分类或在数据中找到模式的模型。深度学习用于执行复杂的任务，例如对象识别，语音识别和翻译。深度学习是最流行的机器学习类型。