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。那麼什麼是智慧，我覺得如果一個機器能有像人類一樣甚至超過人類的推理、知識、學習、感知處理等這些能力，我們姑且就可以稱它是一個有智慧的物體，也就是人工智慧啦。現在我們通常將人工智慧分為弱人工智慧和強人工智慧，我們看到電影裡的一些人工智慧大部分都是強人工智慧，他們能像人類一樣的思考如何處理問題，甚至能在一定程度上做出比人類更好的決定，他們能自適應周圍的環境，解決一些程式中沒有遇到的突發事件，具備這些能力的就是強人工智慧。但是現在我們是做不到這些的，在目前的現實世界裡大部分實現的是弱人工智慧，它讓機器具備觀察和感知的能力，在經過一定的訓練後能計算一些人類不能計算的事情，但是它並沒有自適應能力，也就是它不會處理突發的情況，只能處理程式中已經寫好的，已經預測到的事情，這就叫做弱人工智慧。

    那麼，人工智慧到底是怎麼實現的，智慧又從何而來，我們通過什麼辦法來實現人工智慧？這時候就是機器學習登場了。

    我覺得機器學習有一個顯著的特點，也是最機器學習最基本的做法，就是使用一個演算法從大量的資料中解析並得到有用的資訊，並從中學習，然後對之後真實世界中會發生的事情進行預測或作出判斷。機器學習需要海量的資料來進行訓練，並從這些資料中得到要用的資訊，然後反饋到真實世界的使用者中。

    我們可以用一個簡單的例子來說明這個問題，我們在逛淘寶京東的時候，往往有商品推送的資訊，不知道你有沒有發現，它的推薦有很多都是我們自己很感興趣的東西，即使我們不買但是還是想點進去看的物品，其實這是商城根據我們以前的購物資訊和經常瀏覽商品的記錄得出的結論，它可以從中得出商城中的那些物品是我們感興趣而且購買機率很大的物品，然後將其推送給我們，不僅給了使用者推薦還增加了物品的消費。機器學習有很多傳統的演算法如決策樹和支援向量機等等，機器學習的演算法可以大致分為如下幾類：監督學習和非監督式學習、半監督學習，整合學習、深度學習、和強化學習等等，不過這裡就大致說說監督學習和非監督式學習（其他的解釋太麻煩），其實就是訓練資料有沒有貼標籤，貼了標籤叫做監督學習，因為有一個標籤告訴它那些資料是對的，那些資料是錯的，就像有一個人在監督它一樣。那麼相對的非監督式學習就是沒有貼標籤的意思，需要通過機器自己來學習分辨。（其實這裡已經說了深度學習是實現機器學習的技術或者說演算法）。

    其實深度學習並不是一個獨立的演算法，在訓練神經網路的時候也通常會用到監督學習和無監督學習。但是由於一些獨特的學習方法被提出，我覺得把它看成是單獨的一種學習的演算法應該也沒什麼問題。深度學習可以大致理解成包含多個隱含層的神經網路結構，深度學習的深這個字指的就是隱藏層的深度。瞭解深度學習最好的方法就是了解一些神經網路。

       所以用一個韋恩圖來描述的話就是最外的圈是人工智慧中間的圈是機器學習最裡面的圈是深度學習。就是下面這個圖啦。

最後總結一下他們三者之間的關係，這麼長的文字估計大家也很難看下來。

人工智慧是什麼：就是想電影中終結者，像阿爾法狗這類的具有一定的和人類智慧同樣本質的一類智慧的物體。

人工智慧和機器學習的關係：機器學習是實現人工智慧的方法。

機器學習和深度學習的關係：深度學習是機器學習演算法中的一種演算法，一種實現機器學習的技術和學習方法。

這篇文章就是談談我對我所接觸的一些文章對他們三者之間關係的解釋，進行一個總結，來加深自己對他們的影響。由於才疏學淺肯定有不足之處，所以歡迎大家的批評和指正。