三者的關係是逐層專業化。人工智慧是比較范的概念，而機器學習是實現人工只能又有效的方式，深度學習則是機器學習中的乙個分支，目前發展火熱，並替代了大多數機器學習的演算法。機器學習從字面理解，是機器自我學習成長的過程，使得計算結果接近於人類思考後的目標。在機器學習領域中，有監督學習和無監督學習之分。
監督學習是對已有的歷史資料，並且知道了資料得到的結果，又可分為回歸和分類。回歸是通過已有的資料，訓練計算機，找出樣本與目標的規律。分類是將已有的資料，且資料已被標籤化，將資料分類得出已有的屬性規律，對於給出的新樣本，得出樣本的屬性。
無監督學習不知道資料的特性，即資料沒有被標籤化，也不知道資料的結果。通過機器學習將資料歸類。
機器學習的方法是通過訓練和**。假設資料與結果存在關係h，關係的引數為w，入參為x，輸出為y。h(w,x)與y的相差程度為模型效果的評價函式，那麼機器學習構造的模型目標就是使得h(w,x)與y盡可能的相等,即訓練使得h(w,x)=y。其中衡量模型**值和真實值差距的評價函式也被稱為損失函式（損失loss）。
模型模型的構造分為，假設、評價函式、優化演算法
深度學習與機器學習理論結構一致，差別在於假設的複雜度。深度學習如今的火熱，得意與當今行業的資料化，資料量爆發式增長，以及計算機算力的提公升。
神經網路
對於複雜的資料關係，已經無法用數學公式去表示，研究者們借鑑了人腦神經元的結構，設計出神經網路的模型。
人工神經網路包括多個神經網路層，如卷積層、全連線層、lstm等，每一層又包括很多神經元，超過三層的非線性神經網路都可以被稱為深度神經網路。通俗的講，深度學習的模型可以視為是輸入到輸出的對映函式，如影象到高階語義（美女）的對映，足夠深的神經網路理論上可以擬合任何複雜的函式。因此神經網路非常適合學習樣本資料的內在規律和表示層次，對文字、影象和語音任務有很好的適用性。
飛槳開源深度學習（一）
一些問題q 深度學習 我們可以很容易理解，即機器學習中人工智慧的乙個研究方面 機器學習 人工智慧 深度學習 而這裡的框架，實際上就是指乙個平台，在這個平台中，我們程式設計師只需要考慮一小部分函式實現，而其他的系統層面的細節均有平台自動處理，不需要程式設計師顧慮擔心。所以，學習深度學習，我們能用較小的...
飛槳「PaddlePaddle」實踐學習筆記
補交8月14日打卡作業 numpy numerical python 是 python 的乙個擴充套件程式庫，支援大量的維度陣列與矩陣運算，此外也針對陣列運算提供大量的數學函式庫。nupmy可用來儲存和處理大型矩陣，比python自身的巢狀列表 nested list structure 結構要高效...
飛槳深度學習集訓營學習心得
sky在這個特殊的寒假中，偶然加入到了飛槳深度學習集訓營的學習隊伍中。在這裡較為系統的學習到了很多深度學習 計算機視覺方面的知識，還入門了paddle框架的使用方法，相信即使是具有一定深度學習經驗的同學，也會不小的收穫。在cv部分課程結束的時候參加了集訓營的小比賽，得到了滿意的成績。從一年多前開始，...