人工智能可讓計算機、機器和機器人模仿人，像人一樣制定決策、識別對象、解決問題和理解語言。
2.機器學習 (ML)
機器學習是 AI 的一個子集，它專注于構建可自主學習（無需人為干預）數據，從而持續提高準確性的應用。經過訓練，機器學習算法可識別數據模式，做出更明智的決策和預測，但這一般需要用戶參與。機器學習側重于構建能夠基于自身使用的數據進行學習或改進性能的系統。換句話說，所有的機器學習都是 AI，但不是所有的 AI 都是機器學習。
3.深度學習(DL)
深度學習是機器學習的一個子集，指人工神經網絡（由算法建模而成，能夠像人的大腦一樣工作）學習大量數據，可幫助計算機解決更復雜的問題。從下圖可以看到，隨著數據量的增大，深度學習的性能會越來越好，而傳統機器學習方法性能表現卻趨于平緩；但傳統的機器學習算法在數據量較小的情況下，比深度學習有著更好的表現。
簡而言之，AI 是一個廣泛的概念，機器學習是 AI 的一個分支，深度學習是機器學習的一個特定分支。深度學習是目前最先進的機器學習技術之一，具有很強的特征提取和模式識別能力，對于處理大規模、高維度的數據具有很大的優勢。
深度學習算法是仿照人腦建模的神經網絡。例如，人腦包含數百萬個相互關聯的神經元，它們協同工作以學習和處理信息。同樣，深度學習神經網絡（或人工神經網絡）是由在計算機內部協同工作的多層人工神經元組成的。
深度學習網絡有哪些組成部分呢？
1.輸入層
人工神經網絡有幾個向其輸入數據的節點。這些節點構成了系統的輸入層。
2.隱藏層
輸入層處理數據并將其傳遞到神經網絡中更遠的層。這些隱藏層在不同層級處理信息，在接收新信息時調整其行為。深度學習網絡有數百個隱藏層，可用于從多個不同角度分析問題。
3.輸出層
輸出層由輸出數據的節點組成。輸出 “是” 或 “否” 答案的深度學習模型在輸出層中只有兩個節點。那些輸出更廣泛答案的模型則有更多的節點。
深度學習相對于機器學習有什么好處？
高效處理非結構化數據
機器學習方法發現非結構化數據（如文本文檔）難以處理，因為訓練數據集可能有無限種變化。另一方面，深度學習模型可以理解非結構化數據并進行一般觀察，而無需手動提取特征。
隱藏的關系和模式發現
深度學習應用程序可以更深入地分析大量數據，并揭示可能尚未對其進行過訓練的新見解。例如，考慮一個經過訓練以分析消費者購買的深度學習模型。該模型僅包含您已購買的商品的數據。但是，通過將您的購買模式與其他類似客戶的購買模式進行比較，人工神經網絡可以向您推薦您尚未購買的新物品。
無監督學習
深度學習可以根據用戶行為進行學習，并隨時間推移進行改進。它們不需要大量不同版本的標注數據集。例如，考慮通過分析您的鍵入行為自動更正或推薦詞匯的神經網絡。假設該模型是使用英語訓練的，因此可對英語詞匯進行拼寫檢查。但是，如果您經常鍵入非英語詞匯，如 danke，神經網絡也可以自動學習和更正這些詞匯。
易失性數據處理
易失性數據集具有各種不同的版本。銀行的貸款還款額就是其中的一個例子。深度學習神經網絡也可以對這些數據進行分類和排序，例如通過分析金融交易并標記其中一些交易以進行欺詐檢測。
北大青鳥開設了人工智能、大數據、5G云計算、Java、前端、軟件開發等課程，辦學十余年，擁有豐富的教學經驗。如果你想學習一些人工智能方面的知識，也歡迎致電400-8035-955或在下方留下聯系方式來北大青鳥咨詢！
