原文：
www.kdnuggets.com/2017/07/rapidminer-ai-machine-learning-deep-learning.html
由 RapidMiner 提供。赞助帖子。
几乎每天我们都能在媒体上看到关于人工智能的新闻。以下是一些近期新闻标题的简短汇编：
-
这个机器人解释了为什么你不需要担心人工智能——没错，确实如此。一个会说话的机器人肯定能做到让那些反对者不再过度担忧…
-
人工智能如何学习变得有种族歧视——简单来说：它在模仿我们…
1. 谷歌网络安全证书 - 快速进入网络安全职业的快车道。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织的 IT
有趣的是，大多数这些文章都有一种怀疑甚至是负面的语气。这种情绪也受到比尔·盖茨、埃隆·马斯克甚至斯蒂芬·霍金的言论推动。恕我直言，我不会在公共场合谈论关于虫洞的废话，也许我们都应该多关注一下自己的专业领域。
这一切突显了两点：1. 人工智能和机器学习终于成为主流，2. 人们对这些技术了解惊人地少。
关于这些话题也存在大量炒作。我们都听说过“线性回归”。这并不令人惊讶，因为它是由勒让德和高斯 200 多年前发明的。尽管如此，这种炒作过度可能导致人们在使用这种方法时被带偏。这里是我最喜欢的一些推文交流，体现了这一点：
@katherinebailey 因为市场营销？每次有人把简单线性回归称为“人工智能”时，高斯都会在坟墓里翻身。
— RapidMiner (@RapidMiner) 2017 年 4 月 15 日
显然，这些术语周围存在很高的混淆。这篇文章应有助于你理解这些领域之间的差异以及它们之间的关系。让我们从下面的图片开始。它解释了三个术语：人工智能、机器学习和深度学习。
人工智能涵盖了任何使计算机表现得像人的东西。想想那个著名的（虽然有点过时的）图灵测试，用来确定是否如此。如果你在手机上跟 Siri 对话并得到答案，你已经很接近了。使用机器学习来更具适应性的自动交易系统也已经属于这一类别。
机器学习是人工智能的一个子集，处理从数据集中提取模式的问题。这意味着机器可以找到最佳行为的规则，还可以适应世界的变化。许多涉及的算法已经被知道了几十年甚至几个世纪。得益于计算机科学和并行计算的进步，它们现在可以扩展到庞大的数据量。
深度学习是使用复杂神经网络的机器学习算法的一种特定类别。从某种意义上说，它是一组相关技术，类似于“决策树”或“支持向量机”组。但由于并行计算的进步，它们最近得到了很多炒作，这就是为什么我在这里单独列出它们。正如你所看到的，深度学习是机器学习方法的一个子集。当有人解释深度学习与机器学习“截然不同”时，他们是错误的。如果你想要了解不含 BS 的深度学习视角，看看我之前做的这个网络研讨会。
但是，如果机器学习只是人工智能的一个子集，那么这个领域还有什么其他部分呢？以下是对这三个组中最重要的研究领域和方法的总结：
-
人工智能： 机器学习（当然！）、自然语言理解、语言合成、计算机视觉、机器人技术、传感器分析、优化与模拟等。
-
机器学习： 深度学习（再说一遍！）、支持向量机、决策树、贝叶斯学习、k 均值聚类、关联规则学习、回归等等。
-
深度学习： 人工神经网络、卷积神经网络、递归神经网络、长短期记忆网络、深度置信网络等等。
正如你所见，每个领域都有数十种技术，研究人员每周都会生成新的算法。虽然这些算法可能很复杂，但如上所述的概念差异却并不复杂。
我们希望这对你区分这些术语有所帮助。如果你对机器学习感兴趣，可以查看这篇关于 如何正确验证机器学习模型 的白皮书。