术语“人工智能”已经浮动了一段时间。我们在科幻电影，我们与之对抗的“ AI”游戏机器人，谷歌搜索以及哦，是的，那些有一天要占领世界的机器人中看到了这一点。但是，“机器学习”和“深度学习”已经浮出水面，许多人都问它们到底是什么。
人工智能
人工智能是通用的类别，对这三个类别都是通用的。在图中，人工智能将是包含机器学习和深度学习的更大的封装圈子。人工智能基本上是机器所展示的任何智能，它可以针对某个问题将其引导至最优或次优解决方案。最简单的AI示例可以以Tic-Tac-Toe(井字棋) AI播放器的形式找到。如果机器人遵循以下预编程算法，则它将永远不会输掉游戏：（由Wikipedia提供）
1.如果某人受到“威胁”（即连续两次），则取剩余的正方形。
2.如果某举动“分叉”一次造成两个威胁，则进行该举动。否则，
3.如果中心广场是免费的，则采取。否则，
4.如果您的对手在角落里玩，则走到对面的角落。否则，
5.如果有一个空的角落。否则，
6.取任何空的正方形。
现在，像这样的算法不具备大多数人将“ AI”与之相关的认知，学习或解决问题的能力。然而，算法只是给定问题及其状态的最优解决方案的代理。
维基百科为人工智能代理提供了另一个定义：
任何能够感知其环境并采取行动以最大程度地成功实现其目标的设备
属于AI但不属于机器学习的代理通常是仅将决策树用于逻辑的代理，或者是使用规则和指令构建的代理。
最受欢迎的3种Ai文章：
1.使用Tensorflow实施RNN-LSTM的新手指南
2. Keras备忘单：Python中的神经网络
3.制作简单的神经网络
机器学习：认知的迹象
亚瑟·塞缪尔（Arthur Samuel）在1959年创造了“机器学习”一词，将其定义为“无需明确编程即可学习的能力”。机器学习最基本的形式是一种使用算法来解析数据，从中学习并随后对世界上的事物进行确定或预测的实践。对于初学者来说，最常见的例子是房价。像Redfin或Zillow这样的网站如何预测目前拥有房屋的价格？
没那么复杂。机器学习的本质是，实际上在很多方面都做得最好。房屋价格预测模型会查看大量数据，每个数据点都具有多个维度，例如大小，卧室数量，浴室数量，院子空间等。它会根据这些输入参数创建一个函数，然后将系数移动到这些参数中的每一个都可以查看越来越多的数据。
这种机器学习方法称为“监督学习”，其中提供给模型的数据包括每个输入集的问题答案。它基本上提供了输入参数（称为要素）以及每组要素的输出，模型从中调整其功能以匹配数据。然后，当给出任何其他输入数据时，模型可以执行相同的功能并提供准确的输出。
机器学习的其他派系是无监督学习和强化学习。简而言之，无监督学习只是在数据中找到相似之处-在我们的房屋示例中，该数据将不包含房价（该数据仅是输入，而没有输出），并且该模型可以说“嗯，基于在这些参数上，房屋1最类似于房屋3”或类似的房屋，但无法预测给定房屋的价格。
最好使用简单，简短的图表来解释强化学习：
代理在环境中执行操作，该操作被解释为奖励和状态表示，这些操作将反馈给代理。想想一个小宝宝：哭泣会产生糖果，这是回报。随着时间的流逝，如果父母继续满足孩子对糖果的渴望，那么婴儿每次想要糖果时都会学会哭泣。
深度学习：与人类的联系
深度学习的灵感来自大脑的结构和功能，即许多神经元的相互连接。神经网络是模仿大脑生物结构的算法。
从麻省理工学院新闻：
在人脑上松散地建模，神经网络由成千上万甚至数百万个紧密互连的简单处理节点组成。当今的大多数神经网络都组织成节点层，它们是“前馈”的，这意味着数据仅在一个方向上通过它们。单个节点可能连接到其下一层的多个节点（从该节点接收数据），以及它上一层的多个节点（该节点向其发送数据）。
节点将为其每个传入连接分配一个数字，称为“权重”。当网络处于活动状态时，该节点通过其每个连接接收不同的数据项-不同的编号，并将其乘以关联的权重。然后，将得到的乘积加在一起，得到一个数字。如果该数字低于阈值，则该节点不会将任何数据传递到下一层。如果数字超过阈值，则节点“触发”，这在当今的神经网络中通常意味着沿其所有传出连接发送数字（加权输入的总和）。
在训练神经网络时，其所有权重和阈值最初都设置为随机值。训练数据被馈送到底层（输入层），并经过后续层，以复杂的方式被相乘并相加，直到最终到达输出层，并进行了彻底的转换。在训练过程中，将不断调整权重和阈值，直到带有相同标签的训练数据始终产生相似的输出为止。
深度学习基本上是对类固醇的机器学习。处理要素有多层，通常，每一层都提取一些有价值的信息。例如，一个神经网络可以处理用于驾驶自动驾驶汽车的图像。每个图层都会处理不同的内容，例如，第一个图层可能是检测道路两侧的边缘。另一层可能正在检测图像中的车道线，而另一层可能是其他车。
那是很多信息打包成的单词。NVDIA的图像提供了极为紧凑的可视化效果：
不管这些差异如何，这三个因素在今天都将继续对我们的世界产生深远的影响，有一天，有可能将我们带入一个机器人社会。
参考
https://becominghuman.ai/ai-machine-learning-deep-learning-explained-in-5-minutes-b88b6ee65846