-
个人首页： VON
-
鸿蒙系列专栏： 鸿蒙开发小型案例总结
-
综合案例 ：鸿蒙综合案例开发
-
鸿蒙6.0：从0开始的开源鸿蒙6.0.0
-
鸿蒙5.0：鸿蒙5.0零基础入门到项目实战
人工智能、机器学习与深度学习
前言
今天开始去探索ai的路程，带领大家实现从0到1的探索之路！！！
在当今科技浪潮中，"人工智能"（Artificial Intelligence, AI）已成为家喻户晓的热词。然而，很多人对"AI""机器学习"（Machine Learning, ML）和"深度学习"（Deep Learning, DL）之间的关系感到困惑。它们究竟是同一事物的不同叫法，还是层层递进的技术体系？本文将用通俗语言厘清三者的关系，并通过经典案例帮助你建立清晰的认知框架。
什么是人工智能？
人工智能是一个广义概念，指的是让机器模拟人类智能行为的能力。这些行为包括：理解语言、识别图像、推理决策、自主学习等。AI 的目标是构建能够像人一样思考、甚至在某些任务上超越人类的系统。从这个角度看，AI 是一个"大伞"，涵盖了所有使机器具备智能的方法和技术。
早期的 AI 系统多依赖人工编写的规则（如专家系统），但面对复杂、模糊的现实世界问题时，规则难以穷尽。于是，机器学习应运而生------它让机器不再依赖硬编码规则，而是从数据中自动"学习"规律。
机器学习：让机器从数据中学习
机器学习是实现人工智能的一种核心方法。其基本思想是：给定大量输入数据和对应的输出标签（或无标签），算法通过数学模型从中发现模式，并用于预测新数据的结果。
根据是否有"正确答案"作为指导，机器学习主要分为两类：
-
监督学习（Supervised Learning）：训练数据包含输入和对应的标签（即"正确答案"）。模型的目标是学会从输入映射到输出的函数。例如，在垃圾邮件分类中，每封邮件都被标记为"垃圾"或"正常"，模型通过学习这些样本，最终能判断一封新邮件是否为垃圾邮件。
-
无监督学习（Unsupervised Learning）：训练数据只有输入，没有标签。模型的任务是发现数据内部的结构或模式，比如将相似用户聚类、降维可视化等。例如，电商平台可能用无监督学习将用户分组，以便精准推荐。
除了这两类，还有强化学习（如 AlphaGo）、半监督学习等，但监督与无监督是最基础的范式。
深度学习：机器学习的强力引擎
深度学习是机器学习的一个子领域，其核心是人工神经网络 ，尤其是具有多层结构的"深度"网络。传统机器学习模型（如决策树、支持向量机）通常需要人工提取特征（如邮件中的关键词频率），而深度学习能自动从原始数据中学习特征表示。
以手写数字识别为例：传统方法需先设计算法提取笔画、轮廓等特征；而深度学习模型（如卷积神经网络 CNN）直接输入像素图像，通过多层神经元逐级抽象，自动识别出"这是数字7"的高层语义。
深度学习的爆发得益于三大要素：海量数据 （如 ImageNet）、强大算力 （GPU/TPU）和算法突破（如 ReLU 激活函数、Dropout 正则化）。如今，它在图像识别、语音合成、自然语言处理等领域表现卓越，成为推动现代 AI 发展的主力。
经典案例解析
-
垃圾邮件分类：典型的监督学习任务。模型接收邮件文本（经向量化处理），输出"垃圾"或"非垃圾"的概率。早期使用朴素贝叶斯，如今可用深度学习模型（如 LSTM）捕捉语义上下文。
-
手写数字识别（MNIST）：被誉为"深度学习的 Hello World"。输入是 28×28 的灰度图像，输出是 0--9 的数字类别。简单的全连接神经网络可达 97% 准确率，而 CNN 可轻松突破 99%。
三者关系总结
可以用一个同心圆来理解：
- 最外层是人工智能（AI）：终极目标------让机器智能。
- 中间层是机器学习（ML）：实现 AI 的主流方法------从数据中学习。
- 最内层是深度学习（DL）：机器学习中最强大的工具之一------基于深层神经网络的自动特征学习。
简言之：所有深度学习都是机器学习，所有机器学习都是人工智能，但反之不成立。