人工智慧的浪潮影響著全球，許多詞彙我們都常常聽到，像是：人工智慧、機器學習、深度學習，但對於他們的含義、有什麼區別，卻不是那麼清楚。提拔我園丁將用簡單方式來解釋此問題的觀點，幫助大家釐清他們背後的關係。再次快速複習，Q9什麼是人工智慧？
三者的區別和聯繫
我們可以使用同心圓簡單說明三者間的關係，關係結構為人工智慧＞機器學習＞深度學習。
最早出現的是人工智慧、接著是機器學習，最後則是推動目前人工智慧爆發性發展的深度學習。雖然，深度學習，作為目前最熱門的機器學習方法，但並不意味著是機器學習的終點。以下快速介紹三者名詞的介紹與應用。
人工智慧
廣義來講，人工智慧是指「一種機器與周圍世界交互的各種方式」，透過先進、像人一樣的智慧：軟體、硬體結合的成果，一台人工智慧機器或設備就能模仿人類的行為，或著像人一樣執行任務。
人工智慧的研究領域不斷擴大，人工智慧研究的各個分支，包含：專家系統、機器學習、進化計算、模糊邏輯、計算機視覺、自然語言處理、推薦系統…等。
但目前的科學研究工作多集中在弱人工智慧，而電影裡的人工智慧多是描述強人工智慧，這部分在真實世界難以完成。
*弱人工智慧：讓機器具備觀察和感知的能力，可以做到一定程度的理解和推理。
*強人工智慧：讓機器獲得自己適應能力，解決從未遇過的問題。
弱人工智慧希望取得突破，那它又是如何實現的，「智慧」又從何而來呢？主要歸功於一種實現人工智能的方法—機器學習。
機器學習
機器學習是「實現人工智慧」的一種方法，它強調「學習」而不是計算機程序。簡單來說，在不經過刻意導引之下，讓機器具備自我學習的能力。使用大數量數據和演算法來訓練機器，讓它學習如何執行任務， 訓練後會擁有判斷、預測的能力。
若誤將泡芙當成橘子，系統的模式識別會隨著時間的推移而不斷改進，因為它會像人一樣從錯誤中吸取教訓，並糾正自己。透過機器學習，一個系統可以從自身的錯誤中學習，來提高它的模式識別能力。
起出提出人工智慧概念的學者們，後來構思出機器學習的概念，這些年也發展出決策樹學習、歸納邏輯編程、叢集、強化學習和⾙葉斯網路等演算法。目前最擅長應用機器學習的領域之一就是「電腦視覺」，雖然它仍得靠大量人工編碼來完成工作。
時間和正確的學習演算法改變了一切。
深度學習
深度學習是能「實現機器學習」的技術，它交替使用先進的神經網路，主動發現新模型，並不斷完善它。更重要的是，它讓工程師使用完全不同的工程思維方式。
早期的機器學習研究者開發一種叫做「人工神經網絡的算法」，主要是受人類大腦啟發而來，神經元之間的相互連結關係。本質上來看，這些網絡模仿人類的通聯性，對數據集進行分類，並發現它們之間的相關性。
像是你可以將⼀個圖像切成⼀堆碎片，並且輸入到神經網路的第⼀層，接著第⼀層的獨立神經元將數據傳遞給第二層，第二層神經元再傳給第三層，⼀直傳到最後⼀層，並産生出最終結果。各神經元對於輸入內容都會分配⼀個權重，評估與否正確執行任務，並且由權重的加總值來判斷最後産出的結果。
假設有新學習的知識，不需要人工干涉，機器就可以將其看法，應用於其他數據集。機器處理的數據越多，它的預測就會越精準。深度學習實現各種任務，讓所有的機器輔助功能都變為可能。如：無人車、預防性醫療保健、更好的電影推薦，都近在眼前，或即將實現。
機器學習和深度學習的區別是，機器學習的大部分算法需要人類尋找特徵，而深度學習可以自動生成特徵，我們不需要告訴機器該從哪些角度去學習，機器能夠自己尋找資訊來學習圖片的信息，並對圖片進行區分。但是深度學習也需要足夠的數據，才能得到精確的結果。
人工智慧的根本在於「智慧」，而機器學習則是支持人工智慧的計算方法。簡單來說，人工智慧是科學、機器學習是讓機器變得更加智慧的算法，在某種程度上，機器學習成就人工智慧，而深度學習，則開創出更多機器學習方面的實際應用，且推廣人工智慧領域。
緯育TibaMe已經有10萬人次來學習AI/資料科學知識或技術，若你想進一步了解或學習 AI / 資料科學的相關知識或技能，歡迎來TibaMe 👉 https://www.tibame.com/eventpage/ai_datascientist
下篇文章將與大家進一步說明哪些資料分析語言受歡迎？
每週4則，每日5分鐘， 提拔我園丁陪你快速添補AI/資料科學知識與技能。
若您想了解更多AI/資料科學的小知識、及各產業的相關應用，歡迎訂閱TibaMe FB及部落格，或你有其他想了解的主題歡迎在下方留言讓我們知道唷！
參考資料