我们经常看到这些热门词汇：人工智能（ArTIficialIntelligence），机器学习（MachineLearning）和深度学习（DeepLearning），但是它们之间有什么区别和联系？人工智能（AI）的本质在于智能，即如何将人类智能赋予机器，这是一个非常大的领域。机器学习（ML）是指训练可以通过数据完成特定功能的模型。它是实现人工智能的手段之一，是目前最主流的人工智能实现方法。人工智能是一门科学，机器学习是一种使机器更智能的方法或算法。深度学习（DL）是机器学习的一个分支。深度是层数，具有8层以上的神经网络模型称为深度学习。深度学习也是当前最受欢迎的机器学习之一。目前，在语音和图像领域已经取得了良好的效果。从大到小，这三个都是包容性的。今天，我将专注于机器学习ML。机器学习直接来自早期的人工智能领域。为什么机器学习如此重要？机器学习已成为人工智能背后的强大动力的原因在于互联网的一项重大突破。 Internet上会生成，存储和分析大量的数字信息。在这些大数据中，机器学习算法是最有效的。机器学习的最基本方法是使用算法来解析数据，从中学习，然后对现实世界中的事件做出决策和预测。与硬编码以解决特定任务的传统软件程序不同，机器学习使用大量数据来“训练”数据。并学习如何通过各种算法从数据中完成任务。机器学习是指通过输入大数据来主动寻找规则，验证规则并最终得出结论，即机器是基于该结论来解决问题的机器，如果存在偏差，机器学习将是机器学习的基础。自动更正错误。那么什么是机器学习？机器学习ML（Machine Learning）是一门人工智能学科，是一个多领域的跨学科学科，涉及概率论，统计学，逼近论，凸分析，算法复杂性理论和其他学科。专门研究计算机如何模拟或实现人类学习行为，以便获得新的知识或技能，并重组现有的知识结构以不断提高其自身的性能。机器学习机器学习（ML）是人工智能的核心，也是使计算机变得智能的基本方式。它的应用涵盖了人工智能的所有领域。它主要使用归纳和综合而不是演绎。 Langley（1996）定义的机器学习是机器科学。该领域的主要研究对象是arTIfacts，特别是通过经验提高性能的算法.Tom Mitchell（1997）定义的机器学习-Machine Learning是通过经验自动改善计算机算法的研究.Alpaydin（2004）定义的ML ）-机器学习是对计算机进行编程，以使用示例数据或过去的经验来优化性能标准。机器学习的本质是空间搜索和功能概括。无论您使用哪种机器学习模型，都必须经历以下过程：``建立模型''，``训练模型''，``反馈''和＆amp; amp; “应用”。这个过程与婴儿了解世界并获取知识的过程相同。培养机器以建立人类理解的过程是“机器学习”。机器学习的常见分类：1）有监督的学习：从给定的训练数据集中学习功能。当收到新数据时，您可以基于此功能预测结果。主要用于分类和预测。监督学习的训练集要求包括输入和输出，这也可以说是功能和目标。训练集中的目标由人员标记。常用算法包括人工神经网络（Artificial Neuronetwork），贝叶斯（Bayesian），决策树（Decision Tree）和线性分类（Linear classifier）等。