人工智能（AI）和机器学习（ML）在当下的火热程度我就不多说了，但是真正懂这方面的人又有多少呢？
本文将带你了解人工智能和机器学习的基本知识。同时，你也会了解到机器学习中最火的方法——深度学习的工作原理。
注意：本文是用来科普的，所以不会涉及到具体代码层面的知识。
了解深度学习的第一步，是把握各个概念之间的区别。
01 人工智能与深度学习
人工智能（AI）是在代码中复制人类的智能，思考方式。
AI刚刚起步的时候，工程师尝试复制的只是人类完成的特定动作。
他们通过代码给人工智能制定了大量的规则。它有一张可执行行为的“清单”，并根据制定的规则作出判断，从而产生行为。
机器学习（ML）指机器、程序通过数据的采集来学习的能力。
注意：这里的规则并不是固定的。
机器学习允许程序自己进行学习。这样的学习以及高性能计算机的处理支持，可以轻松处理大量的数据，从而完成学习。
02 监督学习与非监督学习
监督学习应用标记过的数据，输入规定范围内的数据，同时也规定了输出的范围。
如果使用监督学习来训练人工智能，你要给它一个输入并告诉它预期的输出。有些类似大学期间学的高等数学中的函数。
如果机器输出的内容不在预期范围内，它会重新调整它的计算。这个过程是通过计算完成数据集才完成的，直到机器不再犯错。
监督学习的一个例子是天气预报AI。它通过历史数据来学习预测天气。训练数据有输入（气压，湿度，风速）和相应的输出（温度）。
无监督学习是使用没有固定结构或者说范围的数据集进行机器学习。
如果使用无监督学习训练机器，就是让机器对数据按照一定的逻辑进行分类。
无监督学习的一个例子是电商网站的行为预测，根据用户的行为来推荐用户可能会购买的商品。
它会自己对输入数据创建分类。它会告诉你哪种用户最有可能购买这款产品。
03 那么，深度学习如何进行工作？
现在，你已经具备了理解深度学习工作原理的基本知识。
深度学习是一种机器学习方法，可以通过一组输入，训练AI来预测输出。监督学习和无监督学习都能用来训练AI。简单的理解就是：机器学习包含深度学习。
我们将通过建立一个假想的车票估价服务来了解深度学习是如何工作的。我们将使用监督学习方法进行训练。
我们希望估价工具能够使用以下以下几个数据指标来预测车片价格：
始发车站
到达车站
发车日期
路线
首先，来看看人工智能大脑的内部构造。
和人类一样，机器学习也是有大脑内部的神经元的，通常用圆圈来表示。并且它们是互相连接在一起的。
这些神经元被分成三层：
输入层
隐藏层
输出层
输入层：来接收数据。在之前的案例中，输入层有4个神经元：始发车站、到达车站、发车日期、路线，输入层把输入传递到隐藏层的第一层。
隐藏层对输入数据进行数学计算。建立神经网络的一个难题就是如何决定隐藏层的数量以及每一层的神经元个数。
深度学习中的“深”指的是神经网络有超过一层的隐藏层。
输出层返回输出数据。在前文的案例中，输出就是价格预测。
那么它如何计算价格预测呢？
这就是深度学习的魔力开始的地方。
神经元之间的每个连接都有对应不同的权重。这个权重决定了输入值的重要性。初始权重是随机设置的。
在预测车票价格时，发车日期是较重要的因素之一。因此，发车日期的神经元连接权重较高。
每个神经元都有一个函数。
简而言之，其目的之一是“标准化”神经元的输出。
一旦一组输入数据通过了神经网络的每一层，它就通过输出层返回输出数据。
是不是没想象中的那么深奥对吧？
04 如何学习深度学习？
具体你需要经历以下几个步骤：
05 为大家推荐一些课程和教材
转自 CSDN微信公众号