人工智慧（AI）、機器學習（ML）與深度學習（DL）概念
人工智慧
電腦科學家們設計可以學習和模仿人類行為的演算法。
機器學習
一種實現人工智慧的方法。機器學習最基本的做法，是使用演算法來解析資料、從中學習，然後對真實世界中的事件做出決策和預測。指通過資料訓練出能完成一定功能的模型，是實現人工智慧的手段之一，也是目前最主流的人工智慧實現方法。
深度學習
一種實現機器學習的技術。是更深層次的神經網路(一種機器學習的技術)。深度即層數，超過 8 層的神經網路模型就叫深度學習——目前在語音、影象等領域取得了很好的效果。
三者之間的關係
深度學習應用場景
相關推薦
深度學習概述-神經網路與深度學習學習筆記（一）
神經網路與深度學習學習筆記（一） 標籤（空格分隔）： 深度學習 最近在學習復旦邱錫鵬老師的《神經網路與深度學習》，並對書中推薦的論文進行了閱讀。感覺這本書對深度學習講解得很好，即有全面嚴謹的講述，也有高屋建瓴的理解。 本文的行文結構是按邱老師
【PyTorch深度學習】學習筆記之PyTorch與深度學習
第1章 PyTorch與深度學習 深度學習的應用 接近人類水平的影象分類 接近人類水平的語音識別 機器翻譯 自動駕駛汽車 Siri、Google語音和Alexa在最近幾年更加準確 日本農民的黃瓜智慧分揀 肺癌檢測 準確度高於人類的語言翻譯 讀懂圖片中的影象含義 現今深度學習應用中最受歡迎的技術和出現的時間
人工智慧（AI）、機器學習（ML）與深度學習（DL）概念
人工智慧 電腦科學家們設計可以學習和模仿人類行為的演算法。 機器學習 一種實現人工智慧的方法。機器學習最基本的做法，是使用演算法來解析資料、從中學習，然後對真實世界中的事件做出決策和預測。指通過資料訓練出能完成一定功能的模型，是實現人工智慧的手段之一，
科普貼開篇：到底什麼是人工智慧（AI）、機器學習（ML）和深度學習（DL
這兩年創業圈、技術圈、網際網路圈都在熱烈討論人工智慧、機器學習、深度學習，那麼到底什麼是人工智慧（AI）、機器學習（ML）和深度學習（DL），這幾個概念之間又有什麼樣的聯絡呢？先直接把這三者之間關係放上來哈： 機器學習，實現人工智慧的方法；深度學習，實現機器學習的技術； 關於以上三個概念的介紹和解釋： 1
捋一捋人工智慧（AI）、機器學習（ML）、深度學習（DL）之間的關係
人工智慧的浪潮正在席捲全球，人工智慧和機器學習與深度學習是我們最近聽的最多的詞，所以我想寫一篇文章來講一講我心中這三者的關係。也希望通過這篇文章加深自己對這三者的瞭解。 我一直覺得人工智慧不是一個非常龐大的概念，單從字面上理解，應該是理解成人為創造的智慧。那麼什
矩陣－－演算法－－深度學習－－（影象處理、機器視覺、人工智慧、機器學習）資源整合
理解矩陣（一） （真是大學時候不好好學習給自己挖的坑，現在只能一點一點的補回來，這個介紹的矩陣簡單易懂，非常牛） 連結如下： http://blog.csdn.net/myan/article/details/647511 （偶然在矩陣文章中發現演算法的世外桃源－－《演算法
人工智慧之機器學習與深度學習-4 術語辨析深度學習（葉梓老師）
術語辨析——深度學習 深度學習的原理 •深度學習：最初的深度學習是利用深度神經網路來解決特徵表達的一種學習過程。可大致理解為隱含層很多的一個神經網路結構。 •為了提高深層神經網路的訓練效果，人們對神經元的連線方法和啟用函式等方面做出相應的調整。 深度神經網路本身並不是一個全新的概念，其實
人工智慧之機器學習與深度學習-1（葉梓老師）
先來講一些概念： 術語辨析——資料探勘 •資料探勘：資料探勘是從資料中發掘知識的過程，在挖掘資料的過程中需要用到一些挖掘工具和方法。 •這些工具可以是基於資料庫的挖掘方法。資料探勘也可以用到機器學習的方法，比如各種分類模型（如：決策樹和SVM）、概率圖模型以及深度學習的
機器學習（四） 機器學習與深度學習的實際應用整理
前言 本文主要是整理備份機器學習與深度學習的實際應用，儘量給出原始作者網站，包括論文、程式碼和github等原始資料。共勉！ 實際應用 基於深度神經網路的免費開源的人臉識別系統 openface已經到了0.2.1了，備份一個基
神經網路與深度學習課程筆記（第三、四周）
接著學習吳恩達老師第三、四周的課程。（圖片均來自吳恩達老師課件） 第三週 1. 普通的淺層網路
神經網路與深度學習課程筆記（第一、二週）
之前結束了吳恩達老師的機器學習的15節課，雖然看得很艱辛，但是也算是對於機器學習的理論有了一個入門，很多的東西需要不斷的思考以及總結。現在開始深度學習的學習，仍然做課程筆記，記錄自己的一些收穫以及思考。 第一週 1. ReLU （Rectified
深度學習介紹（下）【Coursera deeplearning.ai 神經網路與深度學習】
1. shallow NN 淺層神經網路 2. 為什麼需要activation function？ 如下圖所示，如果不用啟用函式，那麼我們一直都在做線性運算，對於複雜問題沒有意義。linear 其實也算一類啟用函式，但是一般只用在機器學習的迴歸問題，例如預測房價等。 3.
機器學習與深度學習系列連載： 第二部分 深度學習（十六）迴圈神經網路 4（BiDirectional RNN， Highway network， Grid-LSTM）
深度學習（十六）迴圈神經網路 4（BiDirectional RNN， Highway network， Grid-LSTM） RNN處理時間序列資料的時候，不僅可以正序，也可以正序+逆序（雙向）。下面顯示的RNN模型，不僅僅是simple RNN，可以是LSTM，或者GRU 1 B
機器學習與深度學習系列連載： 第二部分 深度學習（十五）迴圈神經網路 3（Gated RNN - GRU）
迴圈神經網路 3（Gated RNN - GRU） LSTM 是1997年就提出來的模型，為了簡化LSTM的複雜度，在2014年 Cho et al. 提出了 Gated Recurrent Units (GRU)。接下來，我們在LSTM的基礎上，介紹一下GRU。 主要思路是： •
機器學習與深度學習系列連載： 第二部分 深度學習（十四）迴圈神經網路 2（Gated RNN - LSTM ）
迴圈神經網路 2（Gated RNN - LSTM ） simple RNN 具有梯度消失或者梯度爆炸的特點，所以，在實際應用中，帶有門限的RNN模型變種（Gated RNN）起著至關重要的作用，下面我們來進行介紹： LSTM (Long Short-term Memory )
機器學習與深度學習系列連載： 第二部分 深度學習（十三）迴圈神經網路 1（Recurre Neural Network 基本概念 ）
迴圈神經網路 1（Recurre Neural Network 基本概念 ） 迴圈神經網路的特點： • RNNs 在每個時間點連線引數值，引數只有一份 • 神經網路出了輸入以外，還會建立在以前的“記憶”的基礎上 • 記憶體的要求與輸入的規模有關 當然，他的深度不只有一層：
機器學習與深度學習系列連載： 第二部分 深度學習（十二）卷積神經網路 3 經典的模型（LeNet-5，AlexNet ，VGGNet，GoogLeNet，ResNet）
卷積神經網路 3 經典的模型 經典的卷積神經網路模型是我們學習CNN的利器，不光是學習原理、架構、而且經典模型的超引數、引數，都是我們做遷移學習最好的源材料之一。 1. LeNet-5 [LeCun et al., 1998] 我們還是從CNN之父，LeCun大神在98年提出的模
機器學習與深度學習系列連載： 第二部分 深度學習（十一）卷積神經網路 2 Why CNN for Image？
卷積神經網路 2 Why CNN 為什麼處理圖片要用CNN？ 原因是： 一個神經元無法看到整張圖片 能夠聯絡到小的區域，並且引數更少 圖片壓縮畫素不改變圖片內容 1. CNN 的特點 卷積： 一些卷積核遠遠小於圖片大小； 同樣的pat
機器學習與深度學習系列連載： 第二部分 深度學習（十）卷積神經網路 1 Convolutional Neural Networks
卷積神經網路 Convolutional Neural Networks 卷積神經網路其實早在80年代，就被神經網路泰斗Lecun 提出[LeNet-5, LeCun 1980]，但是由於當時的資料量、計算力等問題，沒有得到廣泛使用。 卷積神經網路的靈感來自50年代的諾貝爾生物學獎
機器學習與深度學習系列連載： 第二部分 深度學習（九）Keras- “hello world” of deep learning
Keras Kearas 是深度學習小白程式碼入門的最佳工具之一。 如果想提升、練習程式碼能力，還是建議演算法徒手python實現。 複雜的深度神經網路專案還是推薦TensorFlow或者Pytorch Keras是一個高層神經網路API，Keras由純Pyt