我们对于“人工智能”这个术语都很熟悉。毕竟，它是《终结者》,《黑客帝国》和《机械姬》等美国大片电影中非常流行的关键词。但你最*或许也听说过其他术语，像“机器学*”和“深度学*”，有时这两个术语会和“人工智能”互相替换使用，前年早些时候，GoogleDeepMind的AlphaGo打败了韩国的围棋大师李世乭九段。在媒体描述DeepMind胜利的时候，将人工智能（AI）、机器学*（machinelearning）和深度学*（deeplearning）都用上了。这三者在AlphaGo击败李世乭的过程中都起了作用，但它们说的并不是一回事。那么这三个名词之间有什么区别？
我会先解释一下人工智能（AI）、机器学*（ML）和深度学*（DL），以及它们有怎样的区别。
人工智能（英语：ArtificialIntelligence,AI）：是指由人工制造出来的系统所表现出来的智能。通常人工智能是指通过普通电脑实现的智能。人工智能的研究可以分为几个技术问题。其分支领域主要集中在解决具体问题，其中之一是，如何使用各种不同的工具完成特定的应用程序。AI的核心问题包括推理、知识、规划、学*、交流、感知、移动和操作物体的能力等。
目前有大量的工具应用了人工智能，其中包括搜索和数学优化、逻辑推演。而基于仿生学、认知心理学，以及基于概率论和经济学的算法等等也在逐步探索当中。
机器学*有下面几种定义：
机器学*是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学*中改善具体算法的性能。机器学*是对能通过经验自动改进的计算机算法的研究。机器学*是用数据或以往的经验，以此优化计算机程序的性能标准。
机器学*已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。
机器学*最成功的应用领域是计算机视觉，虽然也还是需要大量的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器，以便让程序能识别物体从哪里开始，到哪里结束；写形状检测程序来判断检测对象是不是有八条边；写分类器来识别字母“ST-O-P”。使用以上这些手工编写的分类器，人们总算可以开发算法来感知图像，判断图像是不是一个停止标志牌。
深度学*（英语：DeepLearning）：是机器学*拉出的分支，它试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。
深度学*是机器学*中一种基于对数据进行表征学*的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学*任务（例如，人脸识别或面部表情识别）。深度学*的好处是用非监督式或半监督式的特征学*和分层特征提取高效算法来替代手工获取特征。
统计学*：关于计算机基于数据构建概率统计模型，并运用模型对数据进行预测与分析的一门学科。机器学*：致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。深度学*：机器学*中的神经网络算法的延伸，可以理解为包含很多个隐层的神经网络模型。
对于人工智能，我们可以从广义和狭义两个层面来理解。广义层面来讲，AI应该具备人类智力的所有特征，包括上述的能力。狭义层面的人工智能则只具备部分人类智力某些方面的能力，并且能在这些领域内做的非常出众，但可能缺乏其他领域的能力。比如说，一个人工智能机器可能拥有强大的图像识别功能，但除此之外并无他用，这就是狭义层面AI的例子。
从核心上来说，机器学*是实现人工智能的一种途径。
1959年，ArthurSamuel在AI之后创造了“机器学*”这个短语，并将其定义为“在没有被明确编程的情况下就能学*的能力。”当然，你可以不使用机器学*的方式来实现人工智能，不过这需要你运用复杂的规则和决策树，再敲下几百万行的代码才行。
实际上，机器学*是一种“训练”算法的方式，目的是使机器能够向算法传送大量的数据，并允许算法进行自我调整和改进，而不是利用具有特定指令的编码软件例程来完成指定的任务。
举个例子，机器学*已经被用于计算机视觉（机器具备识别图像或视频中的对象的能力）方面，并已经有了显著的进步。你可以收集数十万甚至数百万张图片，然后让人标记它们。例如，让人标记出其中含有猫的图片。对于算法，它也能够尝试建立一个模型，可以像人一样准确地标记出含有猫的图片。一旦精度水平足够高，机器就相当于“掌握”了猫的样子。
深度学*是机器学*的众多方法之一。其他方法包括决策树学*、归纳逻辑编程、聚类、强化学*和贝叶斯网络等。
深度学*的灵感来自大脑的结构和功能，即许多神经元的互连。人工神经网络（ANN）是模拟大脑生物结构的算法。
在ANN中，存在具有离散层和与其他“神经元”连接的“神经元”。每个图层挑选出一个要学*的特征，如图像识别中的曲线/边缘。正是这种分层赋予了“深度学*”这样的名字，深度就是通过使用多层创建的，而不是单层。
深度学*使得机器学*能够实现众多的应用，并拓展了人工智能的领域范围。深度学*摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都*在眼前，或者即将实现。
在传统的机器学*领域，监督学*最大的问题是训练数据标注成本比较高，而无监督学*应用范围有限。利用少量的训练样本和大量无标注数据的半监督学*一直是机器学*的研究重点。
当前非常流行的深度学*GAN模型和半监督学*的思路有相通之处，GAN是“生成对抗网络”（GenerativeAdversarialNetworks）的简称，包括了一个生成模型G和一个判别模型D，GAN的目标函数是关于D与G的一个零和游戏，也是一个最小-最大化问题。
GAN实际上就是生成模型和判别模型之间的一个模仿游戏。生成模型的目的，就是要尽量去模仿、建模和学*真实数据的分布规律；而判别模型则是要判别自己所得到的一个输入数据，究竟是来自于真实的数据分布还是来自于一个生成模型。通过这两个内部模型之间不断的竞争，从而提高两个模型的生成能力和判别能力。
所以我们就安心学*好机器学*就好，那么如何学*好机器学*呢，下面用几张图片展示！
小编从学*机器学*需要的各个方面在此阐述了要想学*机器学*，首先需要学*或者说准备什么东西，从以下四个方面说起。
大学专业不是数学的同志们需要恶补的知识科目如下：
微积分线性代数矩阵论凸优化离散数学概率论统计学随机过程
机器学*的理论知识如下，其中推荐的包括算法和学*模型，还有训练的网址，全是干货哦，当然还是不全，以后小编了解到会逐渐加上的。
有监督机器学*模型和算法：分类和回归线性回归感知机器学*决策树朴素贝叶斯人工神经网络，逻辑回归，随机森林，GBDTlightgbmxgboost....
编程开发使用的主要是python语言和Linux服务器，加上TensorFlow
python：numpypandasmatplotlibseabornsklearnLinux:javacSparkHadoopSQLexcel..