图像识别前瞻：人工智能，机器学习和深度学习
人工智能
智能可以分为两类，一是机器表现出来的智能，称之为机器智能；二是人和动物表现出来的智能，称之为自然智能。人工智能则是运用计算机程序，来实现人类智能的技术。
人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。早期的人工智能研究人员直接模仿人类进行逐步的推理，就像是玩棋盘游戏或进行逻辑推理时人类的思考模式。到了1980和1990年代，利用概率和经济学上的概念，人工智能研究还发展了非常成功的方法处理不确定或不完整的资讯。对于困难的问题，有可能需要大量的运算资源，也就是发生了“可能组合爆增”：当问题超过一定的规模时，电脑会需要天文数量级的存储器或是运算时间。寻找更有效的算法是优先的人工智能研究项目。人类解决问题的模式通常是用最快捷、直观的判断，而不是有意识的、一步一步的推导，早期人工智能研究通常使用逐步推导的方式。人工智能研究已经于这种“次表征性的”解决问题方法获取进展：实体化Agent研究强调感知运动的重要性。神经网络研究试图以模拟人类和动物的大脑结构重现这种技能。
PS：推理期（20世纪50年代–20世纪70年代），知识期（20世纪70年代—-）。“推理期”人们基于符号知识表示、通过演绎推理技术取得了很大的成就；“知识期”人们基于符号表示、通过获取和利用领域知识来建立专家系统取得了大量的成果
而在人工智能领域中，知识表示是其核心研究问题之一，它的目标是让机器存储相应的知识，并且能够按照某种规则推理演绎得到新的知识。有许多需要解决的问题需要大量的对世界的知识,这些知识包括事先存储的先验知识和通过智能推理得到的知识。事先存储的先验知识指：人类通过某种方式告诉给机器的知识。通过智能推理得到的知识指：结合先验知识和某种特定的推理规则（逻辑推理）得到的知识。首先，先验知识可以指描述目标，特征，种类以及目标之间的关系的知识， 也可以描述事件，时间，状态，原因和结果， 以及任何知识你想要机器存储的。比如：今天没有太阳，没有太阳就是阴天。那么以命题逻辑语言，这些知识可以被表示为：今天--->没有太阳， 没有太阳--->阴天。这是知识是先验知识，那么通过推理可以得到新知识：今天--->阴天。由此例子可以看出，先验知识的正确性非常重要，这个例子中没有太阳就是阴天，这个命题是不严谨的，比较笼统的，因为没有太阳可能是下雨，也可能下雪。逻辑命题表示在知识表示中非常重要，逻辑推理规则是目前主要推理规则。可以在机器中用逻辑符号定义每一个逻辑命题，然后再让机器存储相应的逻辑推理规则，那么自然而然机器便可进行推理。 目前知识表达有许多困境，尚无法解决。这些困境有： 创建一个完备的知识库几乎不太可能，所以知识库的资源受到限制； 先验知识的正确性需要进行检验，而且先验知识有时候不一定是只有对或者错两种选择，而且有概率性的选择。
人工智能包含两个方面，一是对智能体的研究（智能体指能够感知周围环境，并作出行动以最大可能达成目标的系统）二是模仿人的认知（如学习、问题求解等）。在人工智能运用之中，也有着如下几种常用的AI工具。
1、搜索与最优化 （全局搜索、梯度下降算法、遗传算法…）
2、逻辑方法 （与或非等命题逻辑、模糊集）
3、概率方法 （贝叶斯网络、隐马尔可夫模型、卡尔曼滤波、 粒子滤波、决策理论）
4、分类器和统计学习（模式匹配、决策树、K-近邻、支持向量机、高斯混合模型、简单贝叶斯分类器）
5、人工神经网络（CNN、RNN）
机器学习
机器学习意味着从数据或以往经验中，自动分析获得规律（建模），并利用规律对未知数据进行预测（解决问题）。在人工智能推理——知识——学习的过程中，机器学习扮演着实现人工智能学习过程的角色，即以机器学习为手段解决人工智能中的问题。
"Machine Learning is a modeling technique that involves data. It is a technique that figures out the “model” out of “data.” Here, the data literally means information such as documents, audio, images, etc. The “model” is the final product of Machine learning. The name itself reflects that the technique analyzes the data and finds the model by itself rather than having a human do it. We call it “learning” because the process resembles being trained with the data to solve the problem of finding a model. Therefore, the data that Machine Learning uses in the modeling process is called “training” data."
在机器学习的过程中，程序运用算法，分析数据自主寻找模型，而不是靠人为的设计模型。模型被数据所训练，去求解问题，去寻求合适的模型。那么什么是模型呢？模型是机器学习的最终“产品（product)”（可用于预测“新”数据,如：垃圾邮件过滤器）,是对规律的数学描述。在人类认知的自然规律之中，除开运用机器学习建立模型，还能运用依赖已有知识或数据，通过人类或专家的知识经验手动建模，如牛顿定律、勾股定律、专家系统等等。
机器学习意味着用简洁的数学算式（模型）拟合输入和输出（训练数据）。在一些条件下，机器从数据中建模（这意味着有可能无法用常规算是描述，甚至难以被人理解），其建模效率可能比人类建模要高。很多问题难以用规则或逻辑推理建模，那么人类专家的知识经验就难以编程实现（用显式方程描述），再加上人类解决问题大多并不依赖明确法则，如果能让机器也通过对数据的学习，自主掌握某些非显式的规律，这些难以用“显式模型”求解的问题就得以解决。
深度学习
深度学习基于机器学习，是机器学习技术的一种，拥有着专用的学习规则，其学习到的模型是用深层的神经网络来表示。总的来说，人工智能，机器学习，深度学习的关系如下所示。
