一、概念整体介绍
人工智能（Artificial Intelligence）
机器学习（Machine Learning）：一种实现人工智能的方法
深度学习（Deep Learning）：一种实现机器学习的技术
三者的关系图
人工智能分类：
强人工智能：强人工智能观点认为有可能制造出真正能推理（Reasoning）和解决问题（Problem_solving）的智能机器，并且这样的机器将被认为是有知觉的，有自我意识的。可以独立思考问题
并制定解决问题的最优方案，有自己的价值观和世界观体系。有和生物一样的各种本能，比如生存和安全需求。
弱人工智能：弱人工智能是指不能制造出真正地推理（Reasoning）和解决问题（Problem_solving）的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。
人工智能是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。
也被认为是二十一世纪三大尖端技术（基因工程、纳米科学、人工智能）之一。
这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。
人工智能的研究分支
人工智能的发展历程
各种概念关系
相关链接：
一张图解释人工智能、机器学习、深度学习三者关系：https://baijiahao.baidu.com/s?id=1588563162916669654&wfr=spider&for=pc
一篇文章讲清楚人工智能、机器学习和深度学习的区别和联系：https://www.cnblogs.com/bokeyuan-dlam/articles/7928135.html
科普一下：机器学习和深度学习的区别和关系：http://www.elecfans.com/rengongzhineng/691751.html
人工智能的三个分支：认知、机器学习、深度学习：https://blog.csdn.net/testcs_dn/article/details/81185750
还纠结选机器学习还是深度学习？看完你就有数了：https://www.baidu.com/link?url=rVRgTtwZ11xkY1lcq4rRgilW9PwQEBXf737ESjE_H8RySv47Fwe-LyD69FJhFxeSqhQYPAL3kArqxR_nfWPSQAqRsrxsLaUqwm6EPUym6XK&wd=&eqid=edac1d7c00058498000000065cac9dc7
=====================================================
二、人工智能应用领域
关键词：
自然语言生成、语音识别、虚拟助理、机器学习平台、人工智能硬件优化、决策管理、深度学习平台、生物信息、
图像识别、情绪识别、P2P网络、内容创作、网络防御、AI建模/数字孪生、机器处理自动化、文本分析和自然语言处理
游戏 ：人工智能在国际象棋，扑克，围棋等游戏中起着至关重要的作用，机器可以根据启发式知识来思考大量可能的位置并计算出最优的下棋落子。
自然语言处理 ： 可以与理解人类自然语言的计算机进行交互。比如常见机器翻译系统、人机对话系统。
专家系统 ： 有一些应用程序集成了机器，软件和特殊信息，以传授推理和建议。它们为用户提供解释和建议。比如分析股票行情，进行量化交易。
视觉系统 ： 它系统理解，解释计算机上的视觉输入。例如，间谍飞机拍摄照片，用于计算空间信息或区域地图。医生使用临床专家系统来诊断患者。警方使用的计算机软件可以识别数据库里面存储的肖像，从而识别犯罪者的脸部。还有我们最常用的车牌识别等。
语音识别 ：智能系统能够与人类对话，通过句子及其含义来听取和理解人的语言。它可以处理不同的重音，俚语，背景噪音，不同人的的声调变化等。
手写识别 ： 手写识别软件通过笔在屏幕上写的文本可以识别字母的形状并将其转换为可编辑的文本。
智能机器人 ： 机器人能够执行人类给出的任务。它们具有传感器，检测到来自现实世界的光，热，温度，运动，声音，碰撞和压力等数据。他拥有高效的处理器，多个传感器和巨大的内存，以展示它的智能，并且能够从错误中吸取教训来适应新的环境。
相关链接：http://www.qianjia.com/html/2018-08/23_302917.html
=====================================================
三、机器学习
机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。
与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。
机器学习直接来源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。
从学习方法上来分，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。
机器学习过程使用以下步骤进行定义：
1. 确定相关数据集并准备进行分析。
2. 选择要使用的算法类型。
3. 根据所使用的算法构建分析模型。
4. 立足测试数据集进行模型训练，并根据需要进行模型修改。
5. 运行模型以生成测试评分。
传统的机器学习算法在指纹识别、基于Haar的人脸检测、基于HoG特征的物体检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平，但每前进一步都异常艰难，直到深度学习算法的出现。
=====================================================
四、深度学习
深度学习属于机器学习的一个子域，其相关算法受到大脑结构与功能（即人工神经网络）的启发。
深度学习如今的全部价值皆通过监督式学习或经过标记的数据及算法实现。
深度学习中的每种算法皆经过相同的学习过程。
深度学习包含输入内容的非近线变换层级结构，可用于创建统计模型并输出对应结果。
机器学习与深度学习间的区别：
1、数据量：机器学习能够适应各种数据量，特别是数据量较小的场景。在另一方面，如果数据量迅速增加，那么深度学习的效果将更为突出。下图展示了不同数据量下机器学习与深度学习的效能水平。
2、硬件依赖性：与传统机器学习算法相反，深度学习算法在设计上高度依赖于高端设备。深度学习算法需要执行大量矩阵乘法运算，因此需要充足的硬件资源作为支持。
3、特征工程：特征工程是将特定领域知识放入指定特征的过程，旨在减少数据复杂性水平并生成可用于学习算法的模式。 示例：传统的机器学习模式专注于特征工程中所需要找像素及其他属性。
深度学习算法则专注于数据的其他高级特征，因此能够降低处理每个新问题时特征提取器的实际工作量。
4、问题解决方法：传统机器学习算法遵循标准程序以解决问题。它将问题拆分成数个部分，对其进行分别解决，而后再将结果结合起来以获得所需的答案。深度学习则以集中方式解决问题，而无需进行问题拆分。
5、执行时间：执行时间是指训练算法所需要的时间量。深度学习需要大量时间进行训练，因为其中包含更多参数，因此训练的时间投入也更为可观。相对而言，机器学习算法的执行时间则相对较短。
6、可解释性：可解释性是机器学习与深度学习算法间的主要区别之一——深度学习算法往往不具备可解释性。也正因为如此，业界在使用深度学习之前总会再三考量。
机器学习与深度学习的实际应用：
1. 通过指纹实现出勤打卡、人脸识别或者通过扫描车牌识别牌照号码的计算机视觉技术。
2. 搜索引擎中的信息检索功能，例如文本搜索与图像搜索。
3. 自动电子邮件营销与特定目标识别。
4. 癌症肿瘤医学诊断或其他慢性疾病异常状态识别。
5. 自然语言处理应用程序，例如照片标记。Facebook就提供此类功能以提升用户体验。
6. 在线广告。
未来发展趋势：
1. 随着业界越来越多地使用数据科学与机器学习技术，对各个组织而言，最重要的是将机器学习方案引入其现有业务流程。
2. 深度学习的重要程度正逐步超越机器学习。事实已经证明，深度学习是目前最先进且实际效能最出色的技术方案之一。
3. 机器学习与深度学习将在研究与学术领域证明自身蕴藏的巨大能量。
