“機器學習”“人工智能”“深度學習”這三個詞常常被人混淆，但其實它們出現的時間相隔甚遠，“人工智能”(Artificial Intelligence，AI)出現于20世紀50年代，“機器學習”(Machine Learning，ML)出現于20世紀80年代，而“深度學習”(Deep Learning，DL)則是近些年才出現的。三者是包含與被包含關系，如圖1-1所示。

▲圖1-1 人工智能、機器學習和深度學習的關系

業內對于以上關系還有不同的見解，比如認為深度學習有部分內容在機器學習范疇之外，此處不深究。

01 機器學習與人工智能

“人工智能”一詞出現在1956年的達特茅斯會議上，當時人工智能先驅的夢想是建造具有人類智能體的軟硬件系統，該系統具有人類的智能特征，而這里所說的人工智能為“通用人工智能”。

這樣的人工智能夢想曾在影視作品中大放異彩，如電影《星球大戰》中的C-3PO機器人具有人類的理性和思考能力。不過，迄今為止，這種高層次的推理和思想仍然難以實現，退而求其次，目前能夠落地的都屬于“狹義的人工智能”，如人臉識別等。

我們將機器學習描述為實現人工智能的一種方式方法。機器學習是基于已有數據、知識或經驗自動識別有意義的模式。最基本的機器學習使用算法解析和學習數據，然后在相似的環境里做出決定或預測。簡言之，即基于數據學習并做決策。這樣的描述將機器學習與傳統軟件或普通程序區分開來。

機器學習過程中，并沒有人為指示機器學習系統如何對未知環境做出決策或預測，這一過程由機器學習中的算法從數據中習得，做出決策的主體是機器學習算法，并且決策或預測是非確定性的結果，一般以概率的形式輸出，比如80%的可能性是晴天。

與之不同的是，常規的應用程序需要軟件工程師一句句地編寫代碼(特定的指令集)，指示程序或軟件做出確定的行為，比如輸出0和1分別表示注冊成功和失敗。做出決策的主體實際是人，程序只是執行動作的工具。正因如此，機器學習可歸為間接編程，與之對應的是常規編程。

02 機器學習與深度學習

深度學習使用多層(一般多于5層)人工神經網絡學習數據內部的復雜關系。人工神經網絡是生物科學、認知科學等與人工智能結合的產物，在早期的機器學習中就已開始應用，其初衷是在計算機中模擬人類大腦神經元的工作模式。

人類大腦的神經元在百億級別，通過突觸實現彼此交流，從計算的角度看屬于計算密集型，這限制了復雜人工神經網絡在實踐中的應用。計算機計算能力的大幅提升帶來了新的可能，2000年，多倫多大學的Geoffrey Hinton領導的研究小組在不懈研究下，終于在現代超級計算機中驗證了深度學習的多層網絡結構。

Geoffrey Hinton因在深度學習領域做出巨大貢獻而被稱為深度學習的鼻祖，并與Yoshua Bengio、Yann LeCun并稱機器學習三巨頭。(三人因在深度學習領域的貢獻而榮獲2018年圖靈獎。

深度學習可被看作一種實現機器學習的技術，是機器學習的子集。與深度學習相對，過去那些只有單層或少層的神經網絡被稱為淺層學習。

對于機器學習的描述，也有專家調侃地發聲，以表明某種現象：當你募集資金時，這屬于人工智能;當你招聘時，這屬于機器學習;當你執行時，這屬于線性回歸;當你調試時，這屬于printf()。

以上只從某個側面簡要描述了人工智能、機器學習和深度學習的關系，更全面的信息請讀者參考相關資料。

03 機器學習與統計學、大數據及數據科學

機器學習與傳統統計密不可分，兩者都是從數據中得出結論。統計學中首先提出數據空間假設(比如數據呈正態分布)下的參數化求解，同時關心樣本量增大至無窮時統計估計的收斂問題;機器學習則盡可能少地對數據分布做出假設，而以算法作為關鍵，學習接近數據生成的模型，同時關注有限樣本下學習的性能(算法和模型表現)。

機器學習與大數據也常常出現在同一場合。當某人提到大數據時，需要看此人背景才能明確其所說大數據的含義。

當此人是大數據相關技術人員、從技術角度描述大數據時，他往往指的是數據的存儲、分析、處理和計算的技術，其難點并不在于具體的算法，而在于存儲、計算的分布式系統的層級問題。從行業中我們也能看到針對大量的數據建模往往使用相對簡單的算法。

相反，對于少量數據，由于來之不易，往往會進行大量精細的分析和處理。我們很難根據某一天的天氣推測另一天的天氣狀況，但如果有大量的歷史天氣數據，使用常規算法推測另一天的天氣狀況就會有較大把握。

在某種意義上，“大數據不難，小數據才難”有一定道理。當此人從業務角度描述大數據時，他往往指的是數據，是基于數據的分析挖掘、運營以及產生業務價值的方法和策略。

當外行人說大數據時，他往往指的是海量數據、安全與隱私等更為直觀的概念。值得一提的是，在很多場景下，對于真正進入算法模型的數據量，我們需要自問：我們真的有大數據嗎?

當然，機器學習所用的數據來源于各個渠道，數據量是海量的，存儲于大數據平臺或大數據存儲系統，從這個角度來看，機器學習是依賴于大數據的。另外，大數據(及其處理能力)也是傳統的數據分析建模向機器學習、深度學習轉變的關鍵。

機器學習與數據科學(Data Science)關系也非常緊密。在筆者看來，數據科學從數據的角度概括了數據有關的活動，涉及的范圍比機器學習更廣。數據工程、數據可視化、數據集成與ETL(提取、轉換和加載)、商業智能、數據產品、大數據等都可以歸入數據科學范疇。