对于我们的大多数读者(主要是想读本科或研究生的学生)来说，神经网络、深度学习、机器学习和人工智能等术语有时会让人感到困惑。事实上，很多人会把这两个词互换使用。在这篇文章中，我将试图剖析和揭开一些神秘的基本上了解神经网络，深度学习，机器学习和人工智能例如，揭开多任务深度神经网络定量结构-活性关系的神秘面纱，揭开深度神经网络的又一步，神经网络编程等。

我相信你已经注意到，Facebook确实可以识别图像中的人脸。那么，Facebook是如何做到的呢?这是因为神经网络。现代人工智能聊天机器人和Siri、Alexa或Cortana等个人助理也在利用神经网络。这是因为YouTube、Spotify和Netflix向你发送推荐视频或歌曲列表的神经网络。

有一部分，神经网络、深度学习、机器学习和人工智能只是流行词。但是，这并不是完全正确的。神经网络、深度学习、机器学习和人工智能的概念非常吸引人。但是，对它们如何工作的真正理解仅限于极少数专家(f比如麻省理工学院，斯坦福大学，谷歌，Facebook和亚马逊)．

神经网络、深度学习、机器学习和人工智能的差异 — *图片来源：Aiso-lab.com*

此外，很少有组织和初创公司只是使用这些术语来获得媒体关注和/或筹集资金;根本不去实施它们。但是，有一个了解某事物名称和了解（和理解）某种东西之间的区别．让我们试着从基础层面来理解它们。

揭秘神经网络、深度学习、机器学习和人工智能

的神经网络是一个模仿人脑的计算机系统。简单地说，神经网络是对生物神经元在人类大脑中工作方式的计算机模拟。

按(罗伯特Hecht-Nielsen他发明了最早的神经计算机、神经网络或人工神经网络(ANN)是

“...由多个简单，高度互连的处理元素组成的计算系统，其通过它们的动态状态响应外部输入来处理信息。”

ANN是一组用于机器学习(或精确的深度学习)的算法。或者，像这样想ANN是深度学习的一种形式，深度学习是机器学习的一种，机器学习是人工智能的一个分支领域．

人工智能(AI)

人工智能计算机科学是计算机(及其系统)发展成功完成复杂任务的能力的一个研究领域，这些任务通常需要人类的智能，如视觉感知、语音识别、决策和语言之间的翻译。AI通常被定义为“制作计算机的科学，这些计算机在人类完成时需要智能”．换句话说，人工智能关注的是解决对人类来说很容易但对计算机来说很难的任务。

机器学习(毫升)

机器学习是应用计算机科学和统计原则的研究领域，以创建统计模型，用于未来的预测(基于过去的数据或大数据）并识别数据中的（发现）模式。机器学习本身就是一种人工智能，允许软件应用程序在预测结果时更准确地在不明确编程的情况下预测结果。

机器学习是计算机输出或确实没有编程的东西的能力。机器学习强调对未来的预测，而人工智能则专注于编程让计算机做出决策。如果你使用的智能程序涉及类似人类的行为，它可以是人工智能。然而，如果参数不是从数据中自动学习(或导出)的，那就不是机器学习。

读:机器学习、人工智能、深度学习和大数据入门指南

“在其核心,ML只是实现人工智能的一种方式．“ML是一种可以包括但不限于神经网络和深度学习的人工智能．阅读更多关于ML和AI之间的区别．

深度学习

深度学习，也被称为深度神经网络，是机器学习方法之一。其他主要方法包括决策树学习、归纳逻辑编程、聚类、强化学习和贝叶斯网络。

深度学习是一种特殊类型的机器学习。它涉及对包含多个隐藏层的ANN和ML相关算法的研究。

深度学习涉及数学建模，可以被认为是某种类型的简单块的组成，并且可以调整一些这些块以更好地预测最终结果。

“深”这个词意味着该组合物在彼此顶部堆叠的许多这些块 - 在增加复杂性的层次结构中。输出通过称为渐变下降的较大进程中的呼叫反向传播的东西生成，这允许您以改善模型的方式更改参数。

传统的机器学习算法是线性的。深度学习算法被堆叠在一个越来越复杂的层次结构中。

读:深度学习、机器学习和人工智能最佳在线课程

你还应该阅读以下两篇博客文章:

人工智能，机器学习与深度学习之间的差异 -英伟达

人工智能，机器学习与深度学习之间的差异 -Qualcomm

想象一下，婴儿试图了解一只狗是通过指向物体的手指。父母要么说“是的，那是一只狗”或“不，那不是狗”。由于宝宝继续指出物体，宝宝变得更加了解所有狗所拥有的特征和特征。

在这种情况下，婴儿通过构建一个越来越复杂的层次结构来澄清一个复杂的抽象概念(狗的概念)。在每一步中，婴儿应用从上一层层级获得的知识。

软件程序以类似的方式使用深度学习方法。深度学习是一种自动化预测分析的方法。唯一的不同是，婴儿可能需要几周的时间来学习新的和复杂的东西;一个计算机程序可以在几分钟内完成。

相关文章:

学习数据科学和机器学习技巧的最高资源和平台

如何在数据科学，机器学习和AI获取工作

印度的数据科学家职位

神经网络是深度学习的一种特殊形式，旨在通过将系统暴露于大量数据中，建立用于解决复杂任务的预测模型。然后，系统可以自行学习如何做出最佳预测。

你也可以这样说——深度学习是神经网络的高级版本。

读:金融科技中的机器学习和人工智能领域

有监督学习和无监督学习

一些神经网络使用监督学习，而其他人则使用无监督学习。

监督式学习是一种机器学习算法，如果想要发现众所周知图案未知数据。

例如，如果机器学习算法提供有不同类型（动物或建筑物）的不同对象的一些图像。在监督学习中，算法将学习如何说在其训练阶段未呈现给算法的特定图像中的对象是哪种对象。监督学习是由馈送到机器的标记数据的指导。

无监督学习是一种机器学习算法，如果有人想要发现，就使用它未知模式众所周知数据。

假设超市有一个包含顾客购物列表的数据集。超市的授权人员可以使用无监督学习来了解顾客可能一起购买的产品类型。因此，超市工作人员可以将可能一起购买的产品放在彼此附近。

在一些情况下，ANN部署了强化学习。在这种情况下，ANN通过观察它的环境来做出决定。如果观测结果是负的，网络会调整其权值，以便下次做出不同的必要决定。

神经网络和人脑

计算机和人类大脑具有很大的共同之处，但它们基本上是非常不同的。如果您将两个世界的最佳选择 - 计算机的系统力量以及大脑的密集相互连接的单元格怎么办？在神经网络的帮助下，这是科学家在过去几十年里做的事情。

一个典型的人脑大约有1000亿神经元（脑细胞）。每个神经元由一个组成胞体(细胞的中心部分)有大量的连接:大量的树突(细胞的输入——携带信息向细胞体)和单个轴突（电池的输出信息远离）。

如果总和，单个神经元在该界面上将消息传递给另一个界面加权输入信号从一个或多个神经元(求和)变成足够大(超过a临界点）导致消息传输。神经元通过组成的界面相互作用并彼此沟通轴突终端连接到树突横跨差距（突触）如下所示。

最终，神经元会做一些事情，比如移动你手臂上的肌肉，或者触发你童年的记忆。

神经网络的基本思想是模拟大量紧密相连的脑细胞。系统将学习事物，识别模式，并像人类一样做出决定。系统不需要显式编程。这个系统会像大脑一样自己学习。

这里是最近的一个示例，其中神经网络是任务的，以根据其位置预测2-D空间中的点的颜色。

从上图可以看出，神经网络由三个部分组成输入、数据中的特征;网络，神经元层;和输出，训练模型的预测。此外，还需要一种训练网络的方法，以便使其预测有用。

神经网络在传统计算中有哪些优势？

传统计算涉及到一个中央处理器，它可以定位存储数据和指令的内存位置数组。处理器读取指令以及指令从内存地址中需要的任何数据进行计算，然后执行指令，并根据需要将结果保存在指定的内存位置。

人工神经网络不是顺序的或必然确定的。没有复杂的中央处理器，而是有许多简单的处理器，它们通常只做其他处理器输入的加权和。人工神经网络不执行程序指令;它们对呈现给它的输入模式做出平行的反应(模拟的或实际的)。也没有单独的内存地址来存储数据。相反，信息包含在网络的整体激活“状态”中。因此，“知识”是由网络本身来表示的，从字面上讲，网络本身比它的各个组成部分的总和还要多。