人工智能、机器学习和深度学习的区别
1.基于激光扫描的混凝土构建变形测试技术
8.基于人工神经网络的激光立体成形件成形表面质量预测
10.基于主成分分析和人工神经网络的激光诱导击穿光谱塑料分类识别方法研究 14.基于无人机激光采集数据的遥感图像重建技术 15.基于模糊贴近算法的海量异常激光数据挖掘方法研究 16.激光传感冗余数据挖掘系统设计
有人说，人工智能（AI）是未来趋势，人工智能是科幻，人工智能是我们日常生活的一部分。这些表述都没问题，就看你指的是哪一种人工智能。
今年早些时候，Google DeepMind的AlphaGo打败了韩国的围棋大师李世乭九段。在媒体描述DeepMind胜利的时候，将人工智能（AI）、机器学习（Machine Learning）和深度学习（Deep Learning）都用上了。这三者在AlphaGo击败李世乭的过程中都起了作用，但它们说的并不是一回事。
2016年3月，谷歌深度思维（DeepMind）研发的的AlphaGo在围棋游戏GO中打败韩国围棋冠军李世石后，媒体描述DeepMind获胜时提到了人工智能（AI）、机器学习（Machine Learning）和深度学习（Deep Learning）。这三者在AlphaGo击败李世石的过程中都起了作用，但它们本质上有所区别。 今天我们就用最简单的方法——同心圆，可视化地展现出它们三者的关系和应用。 如上图，最早出现的人工智能位于同心圆最外侧；其次是随后发展起来的机器学习，位于中间；最后是推动人工智能突飞猛进发展的深度学习，位于最内侧。
自上个世纪50年代的人工智能热以来，基于人工智能概念的机器学习和深度学习又掀起一阵前所未有的新浪潮。 从提出概念到走向繁荣
1956年，几个计算机科学家在达特茅斯会议（Dartmouth Conferences）上首次提出了“人工智能”的概念。此后，人工智能就一直萦绕于人们的脑海之中，并在科研实验室中蓄势待发。之后的几十年，人工智能一直在两极反转，有人称其为打开人类文明辉煌未来的钥匙，也有人将其当成科技疯子的狂想扔到技术垃圾堆里。其实2012年之前，这两种观点一直不相上下。
过去几年，尤其是2015年以来，人工智能突飞猛进地发展。这主要归功于图形处理器（GPU）的广泛应用，使得并行计算变得更快、更便宜、更有效。当然，无限拓展的存储能力和骤然爆发的数据洪流（大数据）的组合拳，也使得图像数据、文本数据、交易数据、映射数据全面海量爆发。
让我们慢慢梳理一下计算机科学家们是如何从提出人工智能的概念到将其发展至渗入数以亿计的用户的日常生活中的。
人工智能（ARTIFICIAL INTELLIGENCE）——为机器赋予人的智能
成王（King me）:国际跳棋的电脑程序是早期人工智能的一个典型应用，在二十世纪五十年代曾掀起一阵风潮。（译者注：国际跳棋棋子到达底线位置后，可以成王，成王棋子可以向后移动）。
早在1956年夏天那次会议，人工智能的先驱们就梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。这就是我们现在所说的“强人工智能”（General AI）。这个无所不能的机器，它有着我们所有的感知（甚至比人更多），我们所有的理性，可以像我们一样思考。
人们在电影里也总是看到这样的机器：友好的，像星球大战中的C-3PO；邪恶的，如终结者。强人工智能现在还只存在于电影和科幻小说中，原因不难理解，我们还没法实现它们，至少目前还不行。
我们目前能实现的，一般被称为“弱人工智能”（Narrow AI）。弱人工智能是能够与人一样，甚至比人更好地执行特定任务的技术。例如，Pinterest上的图像分类；或者Facebook的人脸识别。
这些是弱人工智能在实践中的例子。这些技术实现的是人类智能的一些具体的局部。但它们是如何实现的？这种智能是从何而来？这就带我们来到同心圆的里面一层，机器学习。
机器学习——?一种实现人工智能的方法
健康食谱（Spam free diet）：机器学习能够帮你过滤电子信箱里的（大部分）垃圾邮件。（译者注：英文中垃圾邮件的单词spam来源于二战中美国曾大量援助英国的午餐肉品牌SPAM。直到六十年代，英国的农业一直没有从二战的损失中恢复，因而从美国大量进口了这种廉价的罐头肉制品。据传闻不甚好吃且充斥市场。）
机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。
机器学习直接来源于早期的人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。众所周知，我们还没有实现强人工智能。早期机器学习方法甚至都无法实现弱人工智能。
机器学习最成功的应用领域是计算机视觉，虽然也还是需要大量的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器，以便让程序能识别物体从哪里开始，到哪里结束；写形状检测程序来判断检测对象是不是有八条边；写分类器来识别字母“ST-O-P”。使用以上这些手工编写的分类器，人们总算可以开发算法来感知图像，判断图像是不是一个停止标志牌。
这个结果还算不错，但并不是那种能让人为之一振的成功。特别是遇到云雾天，标志牌变得不是那么清晰可见，又或者被树遮挡一部分，算法就难以成功了。这就是为什么前一段时间，计算机视觉的性能一直无法接近到人的能力。它太僵化，太容易受环境条件的干扰。
随着时间的推进，学习算法的发展改变了一切。 深度学习——一种实现机器学习的技术
放猫（Herding Cats）:从YouTube视频里面寻找猫的图片是深度学习杰出性
人工智能 机器学习和深度学习的区别
