最近很长的一段时间，人工智能的热度都维持在必定的高度。可是咱们在重视或研讨人工智能范畴的时分，总是会遇到这样的几个关键词：深度学习、机器学习、神经网络。那他们之间到底是什么样的联系呢?
先说人工智能，人工智能是在1956年一个叫达特茅斯会议上提出的。更精确的说是1956年学者们在会议大将他们确以为人工智能，其实关于其详细的一些研讨，早就现已开端了。
所以人工智能现已是有60多年前史的一个范畴。为什么最近几年人工智能才逐步进入群众视界呢?其实，这几年的人工智能浪潮现已是人工智能的第三次热度高涨，并远远超过了之前的热度。第一次和第2次浪潮都消失在前史的长河里，他们在那个时代都遇到了自己的问题，比方第一次是因为在完美的完成了一些人工智能项目后，遇到更杂乱的需求时却被发现其时的人工智能技能，并没有才能将其处理，导致了国际主力研讨的国家中断了人工智能的研讨经费。第一次开展因为缺钱而间断了，本质上仍是技能遇到了瓶颈。第2次浪潮时分，因为专家系统为许多企业带来十分大的效果和效益，人工智能又预备大力开展的时分，被第四代计算机的强有力开展抢占的没有空间，简直绝大多数的资金和人力都投入到了第四代计算机的开展队伍中去。
除了外部要素的影响，人工智能自身也存在一些问题，在前期最中心的两个问题便是数据和算力，因为其时其实有十分不错的拟合算法模型，可是却被戴上了过拟合的帽子，便是模型维度多，可是却没有翔实和足量数据支撑。
其实在1956年后，人工智能开展的速度十分快，处理了业界许多的问题，让其时的科学家以为，以其时的开展速度，机器或许在20年左右到达人类的水平。现在看，其时的科学巨子仍是过度达观了，直到60年后的今日，咱们仍是在弱人工智能范畴摸爬滚打。
图 1人工智能工业开展进程
讲的有点远了，回到今日的主题，人工智能，机器学习，神经网络，深度学习之间的联系。
人工智能这个概念或许是个大坑，把许多人都弄模糊了。简略点解说，人工智能便是完成人类能够做的作业，这是意图。其中有许多细节，其中最中心，咱们能够了解为人的大脑的部分，便是机器学习。
图 2人工智能联系图
饮鹿网(innov100)工业研讨员以为机器学习(machine learning)能够简略的了解为完成人工智能的中心办法。他不是一个单一的办法，而是很多算法的合集。没错，人工智能的中心便是由各种算法作为支撑的。不过，现在的机器学习更简略了解成，简略的半人工智能算法，比方咱们在逛某宝的时分，总是会有栏目引荐各种产品，或许你阅读了某些产品后，你会发现主页连默许搜索词都变成了你阅读的产品的关键词，这儿边就交融了根据机器学习的引荐算法，并且在后台还为用户画像，愈加精确的猜测你想要购买的产品。其实这样的技能完成背面仍是有必定问题的，比方你的隐私，假如你被猜测的很精确，那你还有什么隐私可言，你一切的操作都或许悄悄的出卖了你。
神经网络(NeuralNetwork)简略说便是机器学习很多算法中的一类，规划的时分便是仿照人脑的处理方式，期望其能够按人类大脑的逻辑运转(虽然现在来说对人脑的研讨仍不行透彻)。神经网络现已有许多年的前史，但现在根本很少听到了。饮鹿网(innov100)工业研讨员以为神经网络能够简略的分为单层，双层，以及多层网络。神经网络在之前有十分多的问题，层数无法深化过多，有太多的参数需求调理，样本数据量过小等问题。总归，其之前是一门并不被看好的技能。直到2006年，Hinton在《Science》和相关期刊上宣布了论文，初次提出了“深度信仰网络”的概念。
深度学习(DeepLearning)其实算是神经网络的延伸，从概念被提出，逐步的在人工智能范畴大显神通。尤其是在2012年，其在图像辨认范畴取得惊人的成果。和神经网络相同，深度学习也是一个算法的调集，只不过这儿的算法都是根据多层神经网络的新的算法。他是一种新的算法和结构，新的网络结构中最闻名的便是CNN，它处理了传统较深的网络参数太多，很难练习的问题，使用了“部分感触野”和“权植同享”的概念，大大减少了网络参数的数量。关键是这种结构的确很契合视觉类使命在人脑上的作业原理。新的办法就多了：新的激活函数：ReLU，新的权重初始化办法(逐层初始化，XAVIER等)，新的丢失函数，新的避免过拟合办法(Dropout, BN等)。这些方面首要都是为了处理传统的多层神经网络的一些缺乏：梯度消失，过拟合等。
因为其处理了前期人工智能的一些遗留问题，在大数据和大算力的加持下，使得人工智能从头进入到群众的视界。并在视觉辨认，图像辨认，语音辨认，棋类AI中成为中心技能。所以现在深度学习便是新的神经网络，其本质仍然是神经网络，可是又差异于旧的神经网络。别的现在根本很少在评论神经网络了。
期望咱们看完文章之后，能够了解人工智能、机器学习、神经网络和深度学习之间的联系了。别的，在此基础上持续延伸的话，还有搬迁学习和强化学习，这些会在之后的文章持续探究。
