人工智能，深度学习与机器学习

从去年研究生入学开始，总是听到 周围的人在说人工智能，机器学习，深度学习，，，，然而自己并不能完全明白这些到底是怎么回事，以及他们之间有着什么样的关系，近来也不知道都搞了些什么鬼 ，大概好像是知道了点什么。
首先包含关系：人工智能包含机器学习，机器学习包含深度学习
再来阐述一下机器学习的含义：
机器学习：如果一个程序可以在任务T上，随着经验E的增加，效果P也随之增加，则称这个程序可以 从经验中学习。（这个是某大牛的定义，因为太难打我就不写上去了）

如何数字化地表达现实世界中的实体，一直是计算机科学中很重要的问题。
对许多机器学习的问题来说，特征提取不是一个简单的事情，在一些复杂问题上，需要通过人工的方式设计有效的特征集合（这需要花费巨额的精力与金钱哈哈哈哈）
那么深度学习 解决的核心问题之一就是 自动地将简单地特征组合成复杂的特征，并使用这些组合特征解决问题。

深度学习是机器学习的一个分支，它除了可以学习特征和任务之间的关联外，还能自动从简单特征中提取更加复杂的特征。（这个不算定义）

（注意这段话不是我说的，而且和我的理解大相径庭，我就当大牛在给我洗脑好了）
现代深度学习的发展并不拘泥于模拟人脑人脑的神经元和人脑的工作原理，而且模拟人脑也不是深度学习 的主导方向，目前科学家对人脑的理解还不足以为当下深度学习模型提供指导。
试图从算法层来理解大脑工作机制甚至模拟大脑的那个领域叫做计算神经学
是不是有点晕？那就晕着吧

下面简述一下深度学习的发展历程，大概分为三个阶段：
（1）1943年提出最早的神经网络数学模型
1958年提出感知机模型，感知机是首个可以根据样例数据来学习特征权重的模型
然后1969年被证明感知机模型只能解决线性可分问题，当时的计算能力实现不了多层神经网络，out
（2）20世纪八十年代末，，，因为分布式知识表达以及神经网络反向传播 算法的提出又兴起了
but机器学习也取得了突破性的进展，九十年代末取代了神经网络，原因如下，当时的计算资源受限，数据量小，难以满足深层神经网络的需求
（3）计算机性能进一步提高，云计算，GPU的出现，计算量不是问题了，然后就是互联网+的兴起，数据量也不再是问题了，，，，深度学习蓬勃了（2010年以来哈）