过去只是科幻小说中的梦想，人工智能（AI）现在是我们日常生活中的主流技术，应用于图像和语音识别，语言翻译，聊天机器人和预测数据分析。
在本文中，我们将介绍AI及其相关术语机器学习和深度学习。在文章的最后，您应该理解这些术语，一般情况下的工作方式以及对Inception和YOLO等术语的更熟悉（不，我们不是在谈论Leonardo DiCaprio电影或某些互联网模因）。
人工智能（AI） 是计算机模拟人类智能。
机器学习 是AI的一个分支，其中算法用于从数据中学习以做出未来的决策或预测。
深度学习 是使用人工神经网络（ANN）的机器学习的特定子集，人工神经网络是受人类大脑启发的分层结构。
下图更清楚地显示了AI，机器学习和深度学习如何相互关联。
最近，机器学习取得了重大进展，更具体地说，在深度学习方面取得了重大进展。这些进步是由于几个因素的及时收敛，包括大量数据的可用性，计算能力的增加和高效算法的出现。
那么机器学习和深度学习如何运作？为了以最简单的方式解释它，你基本上有一个定义输入的模型（可以是图像，音频，数字或文本）。该模型将根据所接收的输入数据产生特定输出（例如，图像分类，检测到的对象等）。
它的作用是你为模型提供大量的样本数据以“训练”它。有了足够的数据样本，该模型将能够准确地“预测”任何未来输入的输出。有许多众所周知的模型用于不同的任务，例如，Inception是一种广泛使用的图像识别模型，YOLO用于对象检测，FaceNet用于面部识别，TextCNN用于文本情感分析，等等。
听起来很简单，不是吗？但是，不要搞错，机器学习可能不是火箭科学，但绝对不简单。举一个例子，前面提到的Inception模型有一个如下所示的内部网络架构，作为多年来多个研究人员的想法的高潮：
这看起来比前面显示的大黑盒子复杂得多！为了确定合适的架构，需要进行大量有条理的实验，并且还需要有足够的数据用于培训和验证。不仅是任何数据，还有相关的数据，这些数据经过适当的清理和构建
有几种工具和平台试图通过自动或可视化工具（例如Google Cloud AutoML，Microsoft Azure ML Studio，IBM Watson Studio，Lobe.ai等）简化AI模型训练，但事实是找到并训练适用于特定问题的深度学习模型需要数据科学家和机器学习专业人员，或者至少是有抱负的人员。为了更详细地了解机器学习，有许多在线课程可供选择，其中包括Andrew Ng在斯坦福大学备受推崇的机器学习课程。
TensorFlow是用于机器学习的领先开源AI库。TensorFlow由Google构建，旨在实施，培训，测试和部署深度学习神经网络。TensorFlow最初由研究Google Brain团队的研究人员和工程师开发供内部使用，于2015年作为开源项目发布.TensorFlow为多种语言提供API，包括Python，C，C ++，Go，Java，JavaScript和Swift。TensorFlow站点提供了许多入门教程。
