人工智能(AI)、机器学习(ML)和深度学习(DL)是经常相互重叠且容易混淆的术语。今天，让我们详细讨论这三个方面，并详细介绍它们的应用和用途。

　　人工智能

　　你是否注意到过我们如何轻松地计算周围的环境并不断从过去的经验中学习？简言之，人工智能(AI)是一种向计算机传授相同事物的方法。

　　人工智能用于构建可以预测人类行为并在人类基础上采取行动的工具、代理、自动程序和机器人。特斯拉的自动驾驶汽车、亚马逊的Alexa和Siri都是人工智能的例子。

　　AI具有三个不同的级别：

　　首先，弱人工智能(ANI)是我们迄今为止成功完成的一种人工智能。 ANI(Artificial Narrow Intelligence)被设计为执行单个任务并且以目标为导向。 ANI非常有能力完成其编程要完成的特定任务。 ANI的一些示例是语音助手、面部识别或驾驶汽车。

　　其次，通用人工智能(AGI)是具有通用智能的机器的概念，机器可以模仿人类的智能和行为，并具有从数据中学习并应用其智能来解决任何问题的能力。人工通用情报可以在任何给定情况下以类似于人类的方式思考、理解和行动。

　　超级人工超智能(ASI)是机器可以变得自我意识并超越人类能力和智能的假想。实际上，我们离现实生活中实现这种形式的AI还很遥远。

　　机器学习

　　人工智能是模仿人类能力的概念，而机器学习是人工智能的子集，它教机器从先前的结果中学习。

　　机器学习模型会寻找数据中的模式，并根据先前的结果和数据来尝试得出你或我的结论。一旦算法真正擅长得出结果，它就会开始将知识应用于新数据集并不断改进。

　　简而言之，人工智能是计算机复制人类行为的科学，而机器学习是机器如何从数据中学习的背后方法。

　　机器学习的类型

　　监督学习是指将大量标记数据馈送到算法中，并且还定义了算法需要评估相关性的变量。但是，监督学习需要大量的数据来完成任务。

　　无监督学习可以帮助算法查找没有标签响应的模式和数据集。你可能会使用此技术来浏览数据，但还没有特定的目标。该算法将扫描数据集，并根据它们共享的特征开始将数据分为几组。

　　有监督和无监督学习的混合称为半监督学习。在半监督学习中，大多数标记数据被馈送到算法中，但是该模型可以自由探索和发展自己对数据集的理解。

　　强化学习正在教会机器使用明确定义的规则完成多步骤过程。该算法沿途做出自己的决定，并对其采取的行动获得奖励或惩罚

　　深度学习

　　毫不夸张地说，深度学习是一种用于实现机器学习的技术。深度学习是机器学习的一个子集，它使用深度神经网络并模仿大脑中的神经元网络，并允许机器在没有人类帮助的情况下做出准确的决策。

　　但是，深度学习有时被视为机器学习的发展。模型的深度由其具有的层数表示。深度学习是人工智能领域的新技术。在深度学习中，训练是通过神经网络完成的。

　　深度学习已在人工智能中实现了许多实际应用。无人驾驶汽车，更好的医疗，甚至更好的产品推荐都在今天或即将出现。