人工神经网络课程结束后，一位同学在课堂上问了一个问题。她还在研究“机器学习”课程。当然，这学期的课程，并认为“人工神经网络”的内容是该课程与机器学习课程的课程相似。这些课程之间有什么区别？我非常担心这个学期不了解这些课程。这个问题的原因来自两个课程之间的相似性，并且随着学科的发展，它们的重叠也在增加。但是它们之间有什么区别？除了各自的发展理论，技术历史和发展路径，未来研究热点和实现方法的差异外，认识它们之间的联系也许更为重要。 DJPatil在他的一部短片中，ML和NN之间有什么区别？总结了机器学习和人工神经网络之间的关系：人工神经网络，机器学习和人工智能之间关系的基本观点是：人工神经网络是许多问题的解决方案之一。可以看到的大多数人工神经网络是经过大量数据训练的多层深度学习网络，许多其他特征是从传统的误差反向传播（BP）技术衍生而来的。神经网络算法的改进也与机器学习方法有很多共同点，例如监督学习，无监督学习，逻辑回归，随机森林等。这些方法的共同点是找到一些满足特定条件的函数映射。通过一些训练数据的约束。最近，斯坦福大学关于人工智能定义的文章“人工智能定义”从某个角度更详细地整理了与智能有关的概念。阅读它可能有助于您尽可能地阐明该领域中许多学科之间的关系。 。智力可以定义为通过在不确定且不断变化的环境中学习和实施适当的技术来解决问题或实现既定目标的能力。而且，依靠编程来灵活，准确和可靠地工作的工厂中的机器人不是智能的。人工智能一词由斯坦福大学退休退休教授麦卡锡（McCarthy）于1955年提出，指的是“用于制造智能设备的科学和工程技术”。大多数研究是通过下棋等计算机编程来使机器更智能。但是今天我们强调，机器可以像人类一样学习。自主系统可以自主地计划和决定要完成特定目标的步骤，而无需借助低级（微型）管理。例如，在医院运送药物的机器人可以成功穿越拥挤的走廊以完成此任务。人工智能中的自治与政治和生物领域中的自治概念不同。机器学习是关于如何在人工智能中使用计算机软件以基于现有经验和数据来改善感知，知识，思考和行动能力的研究。为了实现此目标，机器学习使用计算机科学，统计学，心理学，神经科学，经济学（？）和控制理论。监督学习计算机软件根据人类给定数据的标签进行预测，例如根据狗的图片预测狗的品种。无监督学习不需要数据标签，有时可以自己完成预测任务，例如预测句子中单词的顺序。强化学习是基于整体奖励条件来确定要执行的任务。例如，在游戏中，它可以自己学习而无需提供良好的技术。深度学习使用大型多层人工神经网络形成类似于人脑神经元的层次结构，并计算它们之间连续变化的权重。这是当今各种机器学习方法中最成功的方法。无论数据集的大小或计算能力的消耗如何，都可以很好地促进它的发展。普通算法需要精确的执行步骤，例如编写计算机程序。然而，人工智能算法仅具有少量用于描述学习和奖励的计算方法。大多数算法的性能是通过从数据和经验中学习获得的。对于这一巨大的变化，斯坦福大学毕业的安德烈·卡帕蒂（Andrej Kapathy）将其称为软件的2.0版。狭义上的人工智能是要完成特定的任务，例如语音和面部识别。类人智力，即广义智力，是对更一般的智力的探索。