下图来自博客 机器学习和深度学习概念入门 ，图中可明显看到人工智能、机器学习、深度学习三个概念的包含关系，下面简单介绍一下这三个概念已经它们之间的联系。
1. 人工智能（Artificial Intelligence，AI）
概念： 人工智能是计算机科学的一个分支，它的目标是让机器能够像人类一样思考、学习、决策和执行任务。
提出： 1956年，约翰·麦卡锡在达特茅斯会议上首次提出"人工智能"这一术语，标志着人工智能作为一门学科的正式诞生。
AI中的几个概念：
-
符号主义： 符号主义是人工智能的传统方法之一，它通过显式的规则和逻辑推理来模拟智能。优点： 具有良好的可解释性，推理过程可以清楚地追溯和理解。缺点： 符号主义适用于结构化的任务，但难以处理复杂、不确定和模糊的数据，且需要大量人工编码规则。
-
连接主义： 连接主义通过模拟神经网络的结构和工作原理让计算机"学习"任务，它的核心是神经网络。优点： 能够处理大规模、非结构化的数据。缺点： 决策过程可解释性差，模型训练需要大量数据和计算资源。
-
行为主义： 行为主义关注智能体的行为和与环境的交互，认为智能体的行为是通过与环境的交互而产生的。（不太理解，这样说感觉很像强化学习）
2. 机器学习（Machine Learning，ML）
概念： 机器学习是人工智能的一个重要分支，指的是让计算机系统通过数据自动学习 和改进性能，而无需显式编程（显示编程中，程序员需要制定明确的规则告诉计算机如何推理和决策，我的理解，符号主义就是显示编程）。机器学习是一种数据驱动的方法，机器学习算法通过寻找数据中的模式和规律来预测或决策。
机器学习有以下三种主要类型：
-
监督学习（Supervised Learning）：
定义： 监督学习中，模型通过使用已标注的训练数据（即每个输入都对应一个已知的输出）进行学习。
应用场景： 分类（如垃圾邮件识别）、回归（如房价预测）。
常见算法： 线性回归、逻辑回归、支持向量机（SVM）、决策树、随机森林、K近邻（KNN）。 -
无监督学习（Unsupervised Learning）：
定义： 无监督学习使用未标注的数据进行训练，模型需要从未标注数据中找出隐藏的模式。
应用场景： 聚类（如用户分群）、降维（如PCA）。
常见算法： K-means聚类、主成分分析（PCA）、自编码器。 -
强化学习（Reinforcement Learning）：
定义： 强化学习通过让智能体与环境交互来学习最佳的决策策略，算法通过奖励和惩罚来更新行为策略，以获得最大化的累积奖励。
应用场景： 决策任务、游戏AI（如AlphaGo）、机器人控制、自动驾驶。
常见算法： Q-learning、Deep Q Network（DQN）、Policy Gradient。
3. 深度学习（Deep Learning，DL）
概念： 深度学习是机器学习的一个子分支，它基于人工神经网络，通过多层神经网络来自动学习数据的特征表示，并用于解决各种复杂问题，如预测、分类、生成等任务。
深度学习中的常见术语： 多层感知机、激活函数、前向传播、反向传播、梯度等等...
深度学习的经典模型/网络结构：
-
卷积神经网络（CNN, Convolutional Neural Network）： 擅长特征提取，主要用于图像处理、计算机视觉任务，如图像分类、目标检测等。
-
循环神经网络（Recurrent Neural Network，RNN）： 主要适用于序列数据（如时间序列、文本、语音），常用于自然语言处理（如语言建模、机器翻译）、语音识别、序列生成等任务。
-
生成对抗网络（GAN，Generative Adversarial Network）： GAN 由一个生成器（Generator）和一个判别器（Discriminator）组成，通过对抗训练来生成与真实数据相似的样本，生成器试图生成逼真的数据，判别器则试图分辨真假数据。GAN适用于生成任务，如图像生成、图像修复、图像风格转换等。