深度学习概念与人工智能技术之间关系 及机器学习与深度学习区别

AI技术主要包括 机器学习，表征学习（特征学习），深度学习等

AI技术包含关系

上图为人工智能技术的包含关系
可见AI包括机器学习（machine learning），机器学习又包括表征学习（representation learning），深度学习（Deep Learning）又是表征学习的一种

AI系统的不同部分

上图可见
基于规则的系统（Rule-based systems）：输入数据 通过手写规则的程序 得到输出
经典机器学习：输入 通过设计的特征提取 利用特征进行匹配 得到输出
表征学习：相对于经典机器学习，将手写特征提取，改为机器对特征进行学习
深度学习：输入 提取到简单的特征 对特征进行扩展 利用特征进行匹配

该图中灰色的部分，为机器从数据中学习部分（不需要人编写）

机器学习与深度学习区别

深度学习由经典机器学习发展而来，两者有着相同与不同特点

1.完全不同的模式

机器学习：使计算机能从数据中学习，并利用其学到的知识来提供答案（通常为预测）。依赖于不同的范式（paradigms），例如统计分析、寻找数据相似性、使用逻辑等
深度学习：使用单一技术，最小化人脑劳动。使用被称为神经元的计算单元处理数据，这些计算单元被安排成有序的部分，称为层。(神经网络)（neural network）

2.灵活的架构

机器学习：提供许多超参（调整）来优化从数据中学习的算法
深度学习：也使用超参，不过也使用多个用户配置的层（用户指定数量个类型）

3.自治（自动调节）的特征定义

机器学习：需要人工干预才能成功。使用大量的人类知识来发展机器学习工作算法。（为机器学习算法创建正确的信息称为特征创建，这是一项耗时的工作）
深度学习：它不需要人类执行任何功能创建活动，由于它的许多层，它定义了自己最好的特征

简述深度学习

什么是深度学习

从数据中提取有用的模式

怎样实现深度学习

神经网络 + 优化
技术手段如 Python+TensorFlow/pytorch

困难部分

需要好的问题，也需要搭配好的数据（数量、质量）

深度学习发展依赖

为什么深度学习现在发展正盛？
有了大量数据、硬件发展、活越强大的社区、有了很多封装的工具

面临困境

大多数关于智力的重大问题都没有得到回答，也没有得到恰当的表述

热门应用

人脸识别、图像分类、语音识别、语音生成、笔迹转录、机器翻译、医学诊断、汽车自动驾驶（航线保持）、智能助理、智能推荐系统（广告、商品）、游戏

百科概念

深度学习

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

从一个输入中产生一个输出所涉及的计算可以通过一个流向图（flow graph）来表示：流向图是一种能够表示计算的图，在这种图中每一个节点表示一个基本的计算以及一个计算的值，计算的结果被应用到这个节点的子节点的值。考虑这样一个计算集合，它可以被允许在每一个节点和可能的图结构中，并定义了一个函数族。输入节点没有父节点，输出节点没有子节点。
这种流向图的一个特别属性是深度（depth）：从一个输入到一个输出的最长路径的长度。

表征学习（特征学习）

机器学习任务，例如分类问题，通常都要求输入在数学上或者在计算上都非常便于处理，在这样的前提下，特征学习就应运而生了。然而，在我们现实世界中的数据例如图片，视频，以及传感器的测量值都非常的复杂，冗余并且多变。那么，如何有效的提取出特征并且将其表达出来就显得非常重要。传统的手动提取特征需要大量的人力并且依赖于非常专业的知识。同时，还不便于推广。这就要求特征学习技术的整体设计非常有效，自动化，并且易于推广。
特征学习可以被分为两类：监督的和无监督的，类似于机器学习。
在监督特征学习中，被标记过的数据被当做特征用来学习。例如神经网络，多层感知器，(监督)字典学习。
在无监督特征学习中，未被标记过的数据被当做特征用来学习。例如(无监督)字典学习，独立成分分析，自动编码，矩阵分解，各种聚类分析及其变形。

机器学习（泛义）

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能的核心，是使计算机具有智能的根本途径。
常见算法：决策树、朴素贝叶斯、支持向量机、随机森林、Boosting与Bagging、EM（最大期望）

其他

推荐一个关于人工智能与深度学习的TED视频
YOUTUBE